論文の概要: Transductive Robust Learning Guarantees
- arxiv url: http://arxiv.org/abs/2110.10602v1
- Date: Wed, 20 Oct 2021 14:55:00 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-23 18:47:29.571458
- Title: Transductive Robust Learning Guarantees
- Title(参考訳): トランスダクティブロバスト学習保証
- Authors: Omar Montasser, Steve Hanneke, Nathan Srebro
- Abstract要約: 本研究では,トランスダクティブ・セッティングにおける対角的頑健な学習の問題について検討する。
有界VC次元のクラス $mathcalH$ に対して、簡単な帰納的学習法を提案する。
テスト例をVC次元で線形な堅牢なエラー率で正しくラベル付けする。
- 参考スコア(独自算出の注目度): 37.13850246542325
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We study the problem of adversarially robust learning in the transductive
setting. For classes $\mathcal{H}$ of bounded VC dimension, we propose a simple
transductive learner that when presented with a set of labeled training
examples and a set of unlabeled test examples (both sets possibly adversarially
perturbed), it correctly labels the test examples with a robust error rate that
is linear in the VC dimension and is adaptive to the complexity of the
perturbation set. This result provides an exponential improvement in dependence
on VC dimension over the best known upper bound on the robust error in the
inductive setting, at the expense of competing with a more restrictive notion
of optimal robust error.
- Abstract(参考訳): トランスダクティブ・セッティングにおける敵対的ロバスト学習の問題点について検討する。
有界VC次元のクラス $\mathcal{H}$ に対して、簡単なトランスダクティブ学習器を提案し、ラベル付きトレーニング例のセットとラベル付きテスト例のセット(どちらも逆摂動の可能性がある)を提示すると、VC次元において線形で摂動集合の複雑さに適応する頑健な誤差率でテスト例を正しくラベル付けする。
この結果は、最適なロバスト誤差というより制限的な概念と競合する代わりに、帰納的設定におけるロバストエラーに最もよく知られた上限よりもVC次元への依存を指数関数的に改善する。
関連論文リスト
- Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。
我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
論文 参考訳(メタデータ) (2023-12-27T09:03:43Z) - Multiple Testing of Linear Forms for Noisy Matrix Completion [14.496082411670677]
急激な新しい統計値を持つ個別試験のための新しい統計値を導入することで、難易度を克服する一般的な手法を開発する。
ほぼ最適なサンプルサイズ条件下で、有効FDR制御が保証されたパワーで達成可能であることを示す。
論文 参考訳(メタデータ) (2023-12-01T02:53:20Z) - Binary Classification with Confidence Difference [100.08818204756093]
本稿では,信頼性差分法 (ConfDiff) という,弱教師付き二項分類問題について考察する。
本稿では,この問題に対処するためのリスク一貫性のあるアプローチを提案し,推定誤差が最適収束率と一致することを示す。
また,整合性や収束率も証明されたオーバーフィッティング問題を緩和するためのリスク補正手法も導入する。
論文 参考訳(メタデータ) (2023-10-09T11:44:50Z) - Sharp Generalization of Transductive Learning: A Transductive Local
Rademacher Complexity Approach [8.130817534654089]
本稿では,Transductive Local Rademacher Complexity (TLRC, Transductive Local Rademacher Complexity)を提案する。
我々は、カーネル関数によってテストデータのラベルが生成されるTransductive Kernel Learning(TKL)モデルを分析するために、newCツールを使用します。
論文 参考訳(メタデータ) (2023-09-28T21:21:44Z) - Interactively Learning Preference Constraints in Linear Bandits [100.78514640066565]
我々は、既知の報酬と未知の制約で逐次意思決定を研究する。
応用として,運転シミュレーションにおいて,人間の嗜好を表現するための学習制約を検討する。
論文 参考訳(メタデータ) (2022-06-10T17:52:58Z) - Accelerated and instance-optimal policy evaluation with linear function
approximation [17.995515643150657]
既存のアルゴリズムはこれらの下界の少なくとも1つと一致しない。
我々は,両下界を同時に一致させる高速時間差分アルゴリズムを開発し,インスタンス最適性という強い概念を実現する。
論文 参考訳(メタデータ) (2021-12-24T17:21:04Z) - Instance-optimality in optimal value estimation: Adaptivity via
variance-reduced Q-learning [99.34907092347733]
本稿では,マルコフ決定過程における最適な$Q$値関数を離散状態と動作で推定する問題を解析する。
局所的なミニマックスフレームワークを用いて、この関数は任意の推定手順の精度の低い境界に現れることを示す。
他方,Q$ラーニングの分散還元版を解析することにより,状態と行動空間の対数的要因まで,下位境界のシャープさを確立する。
論文 参考訳(メタデータ) (2021-06-28T00:38:54Z) - Understanding and Mitigating the Tradeoff Between Robustness and
Accuracy [88.51943635427709]
逆行訓練は、堅牢なエラーを改善するために、摂動でトレーニングセットを増強する。
拡張摂動が最適線形予測器からノイズのない観測を行う場合であっても,標準誤差は増大する可能性がある。
論文 参考訳(メタデータ) (2020-02-25T08:03:01Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。