論文の概要: A Characterization of Semi-Supervised Adversarially-Robust PAC Learnability

• arxiv url: http://arxiv.org/abs/2202.05420v3
• Date: Sun, 5 May 2024 20:00:33 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-08 03:57:05.041597
• Title: A Characterization of Semi-Supervised Adversarially-Robust PAC Learnability
• Title（参考訳）: 半スーパーバイバル・ロバストPAC学習性の評価
• Authors: Idan Attias, Steve Hanneke, Yishay Mansour,
• Abstract要約: 本研究では、半教師付きPACモデルにおいて、時間攻撃をテストするために、逆向きに頑健な予測器を学習する問題について検討する。 最悪の分布自由モデルにおいても,半教師付き頑健な学習には大きなメリットがあることが示されている。
• 参考スコア（独自算出の注目度）: 57.502573663108535
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study the problem of learning an adversarially robust predictor to test time attacks in the semi-supervised PAC model. We address the question of how many labeled and unlabeled examples are required to ensure learning. We show that having enough unlabeled data (the size of a labeled sample that a fully-supervised method would require), the labeled sample complexity can be arbitrarily smaller compared to previous works, and is sharply characterized by a different complexity measure. We prove nearly matching upper and lower bounds on this sample complexity. This shows that there is a significant benefit in semi-supervised robust learning even in the worst-case distribution-free model, and establishes a gap between the supervised and semi-supervised label complexities which is known not to hold in standard non-robust PAC learning.
• Abstract（参考訳）: 本研究では、半教師付きPACモデルにおいて、時間攻撃をテストするために、逆向きに頑健な予測器を学習する問題について検討する。 学習を確実にするためにラベル付き、ラベルなしの例がいくつ必要かという問題に対処する。 十分なラベル付きデータ(完全教師付き手法が要求するラベル付きサンプルのサイズ)を持つことで、ラベル付きサンプルの複雑さは以前の研究と比べて任意に小さくなり、異なる複雑さ尺度によって著しく特徴付けられることを示す。 我々はこのサンプルの複雑さについて,上界と下界にほぼ一致することを証明した。 これは、最悪の場合の分布自由モデルにおいても、半教師付き頑健な学習には大きな利点があることを示し、標準的な非ロバストなPAC学習では保持できない、教師付きラベルと半教師付きラベルの複雑さのギャップを確立する。

関連論文リスト

• Transductive Learning Is Compact [10.168670899305232]
  一般の損失関数を用いた教師あり学習において, 広範に保持されるコンパクト性結果を示す。 不適切な計量損失を伴う実現可能な学習のために、サンプルの複雑さの正確なコンパクトさは失敗する可能性があることを示す。 我々は、無知の場合においてより大きなギャップが可能であると推測する。
  論文  参考訳（メタデータ） (2024-02-15T23:10:45Z)
• Virtual Category Learning: A Semi-Supervised Learning Method for Dense Prediction with Extremely Limited Labels [63.16824565919966]
  本稿では,ラベルの修正を伴わずに,混乱したサンプルを積極的に使用することを提案する。 仮想カテゴリー(VC)は、モデルの最適化に安全に貢献できるように、各混乱したサンプルに割り当てられる。 私たちの興味深い発見は、密集した視覚タスクにおけるVC学習の利用に注目しています。
  論文  参考訳（メタデータ） (2023-12-02T16:23:52Z)
• MaxMatch: Semi-Supervised Learning with Worst-Case Consistency [149.03760479533855]
  半教師付き学習(SSL)のための最悪ケース整合正則化手法を提案する。 本稿では,ラベル付きトレーニングデータとラベル付きトレーニングデータとを別々に比較した経験的損失項からなるSSLの一般化について述べる。 この境界によって動機づけられたSSLの目的は、元のラベルのないサンプルと、その複数の拡張版との最大の矛盾を最小限に抑えるものである。
  論文  参考訳（メタデータ） (2022-09-26T12:04:49Z)
• Complementing Semi-Supervised Learning with Uncertainty Quantification [6.612035830987296]
  そこで本研究では,アレータ性およびてんかん性不確実性定量化に依存する,教師なし不確実性認識の新たな目的を提案する。 CIFAR-100やMini-ImageNetのような複雑なデータセットでは,結果が最先端の成果よりも優れています。
  論文  参考訳（メタデータ） (2022-07-22T00:15:02Z)
• An analysis of over-sampling labeled data in semi-supervised learning with FixMatch [66.34968300128631]
  ほとんどの半教師付き学習手法は、ミニバッチを訓練する際にラベルをオーバーサンプルする。 本稿では,この実践が学習と方法を改善するかどうかを考察する。 ラベル付けの有無に関わらず、トレーニングデータから各ミニバッチを均一にサンプリングする別の設定と比較する。
  論文  参考訳（メタデータ） (2022-01-03T12:22:26Z)
• Unsupervised Learning of Debiased Representations with Pseudo-Attributes [85.5691102676175]
  教師なし方式で,単純かつ効果的な脱バイアス手法を提案する。 特徴埋め込み空間上でクラスタリングを行い、クラスタリング結果を利用して疑似属性を識別する。 次に,非偏り表現を学習するために,クラスタベースの新しい重み付け手法を用いる。
  論文  参考訳（メタデータ） (2021-08-06T05:20:46Z)
• Semi-verified PAC Learning from the Crowd [7.594050968868919]
  本研究では,クラウドソース型PAC学習におけるしきい値関数の問題点について検討する。 本稿では,Charikar等の半検証モデルを用いて,PACが基礎となる仮説クラスを大量のラベルクエリで学習可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-13T20:05:16Z)
• Robust learning under clean-label attack [26.323812778809913]
  クリーンラベルデータ汚染攻撃におけるロバスト学習の問題点について検討する。 学習目標は、最適なPAC学習よりも難しい攻撃可能な速度を最小限にすることです。
  論文  参考訳（メタデータ） (2021-03-01T00:21:15Z)
• Multi-Complementary and Unlabeled Learning for Arbitrary Losses and Models [6.177038245239757]
  本稿では,新しい多言語学習フレームワークを提案する。 まず、複数の相補ラベルを持つサンプルから、分類リスクの偏りのない推定を行う。 次に,未ラベルのサンプルをリスク定式化に組み込むことにより,予測器をさらに改良する。
  論文  参考訳（メタデータ） (2020-01-13T13:52:54Z)
• The Simulator: Understanding Adaptive Sampling in the Moderate-Confidence Regime [52.38455827779212]
  エミュレータと呼ばれる適応サンプリングを解析するための新しい手法を提案する。 適切なログファクタを組み込んだトップk問題の最初のインスタンスベースの下位境界を証明します。 我々の新しい分析は、後者の問題に対するこの種の最初のエミュレータであるベストアームとトップkの識別に、シンプルでほぼ最適であることを示した。
  論文  参考訳（メタデータ） (2017-02-16T23:42:02Z)

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。