論文の概要: Distributed randomized Kaczmarz for the adversarial workers
- arxiv url: http://arxiv.org/abs/2203.00095v1
- Date: Mon, 28 Feb 2022 21:10:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-02 15:35:52.127293
- Title: Distributed randomized Kaczmarz for the adversarial workers
- Title(参考訳): 逆作業者に対する分散ランダム化カッツマルツ
- Authors: Xia Li, Longxiu Huang, Deanna Needell
- Abstract要約: 最小二乗問題に対して逆耐性の反復的アプローチを提案する。
提案手法の効率性は, 敵の存在下でのシミュレーションで示される。
- 参考スコア(独自算出の注目度): 12.372713404289264
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Developing large-scale distributed methods that are robust to the presence of
adversarial or corrupted workers is an important part of making such methods
practical for real-world problems. Here, we propose an iterative approach that
is adversary-tolerant for least-squares problems. The algorithm utilizes simple
statistics to guarantee convergence and is capable of learning the adversarial
distributions. Additionally, the efficiency of the proposed method is shown in
simulations in the presence of adversaries. The results demonstrate the great
capability of such methods to tolerate different levels of adversary rates and
to identify the erroneous workers with high accuracy.
- Abstract(参考訳): 敵や腐敗した労働者の存在に頑健な大規模分散手法の開発は、現実の問題を解決する上で重要な要素である。
本稿では,最小二乗問題に対して逆耐性の反復的アプローチを提案する。
このアルゴリズムは単純な統計情報を用いて収束を保証し、逆分布を学習することができる。
さらに,提案手法の効率性は,敵の存在下でのシミュレーションで示される。
その結果, 異なるレベルの敵意率を許容し, 精度の高い誤作業者を特定することが可能となった。
関連論文リスト
- Sequential Manipulation Against Rank Aggregation: Theory and Algorithm [119.57122943187086]
脆弱なデータ収集プロセスに対するオンライン攻撃を活用します。
ゲーム理論の観点からは、対決シナリオは分布的に堅牢なゲームとして定式化される。
提案手法は,ランクアグリゲーション手法の結果を逐次的に操作する。
論文 参考訳(メタデータ) (2024-07-02T03:31:21Z) - Adversarial Training Should Be Cast as a Non-Zero-Sum Game [121.95628660889628]
対人訓練の2つのプレイヤーゼロサムパラダイムは、十分な強靭性を発揮できていない。
敵のトレーニングアルゴリズムでよく使われるサロゲートベースの緩和は、ロバスト性に関するすべての保証を無効にすることを示す。
対人訓練の新たな非ゼロサム二段階の定式化は、一致し、場合によっては最先端の攻撃よりも優れたフレームワークをもたらす。
論文 参考訳(メタデータ) (2023-06-19T16:00:48Z) - Randomized Kaczmarz in Adversarial Distributed Setting [15.23454580321625]
本稿では,凸最適化問題に対して逆耐性を持つ反復的アプローチを提案する。
本手法は収束を保証し,逆分布に適応することができる。
論文 参考訳(メタデータ) (2023-02-24T01:26:56Z) - Distributionally Robust Learning with Stable Adversarial Training [34.74504615726101]
経験的リスク最小化を伴う機械学習アルゴリズムは、分散シフトの下で脆弱である。
そこで本稿では,異種データソースを活用して,より実用的な不確実性セットを構築する,SAL(Stable Adversarial Learning)アルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-06-30T03:05:45Z) - Distributionally Robust Learning in Heterogeneous Contexts [29.60681287631439]
異なる文脈で得られたトレーニングデータから学習する問題を検討し、テストデータは分布シフトの影響を受けます。
我々は,超過リスクに着目した分散ロバストな手法を開発し,従来の超保守的ミニマックスアプローチよりもパフォーマンスとロバスト性のトレードオフをより適切なものにする。
論文 参考訳(メタデータ) (2021-05-18T14:00:34Z) - Scalable Personalised Item Ranking through Parametric Density Estimation [53.44830012414444]
暗黙のフィードバックから学ぶことは、一流問題の難しい性質のために困難です。
ほとんどの従来の方法は、一級問題に対処するためにペアワイズランキングアプローチとネガティブサンプラーを使用します。
本論文では,ポイントワイズと同等の収束速度を実現する学習対ランクアプローチを提案する。
論文 参考訳(メタデータ) (2021-05-11T03:38:16Z) - Accounting for Model Uncertainty in Algorithmic Discrimination [16.654676310264705]
フェアネスアプローチは、モデルの不確実性に起因するエラーの均等化にのみ焦点をあてるべきである。
予測多重性とモデル不確実性の間に関係をもち、予測多重性からの手法がモデル不確実性に起因するエラーの特定に使用できると主張する。
論文 参考訳(メタデータ) (2021-05-10T10:34:12Z) - Learning while Respecting Privacy and Robustness to Distributional
Uncertainties and Adversarial Data [66.78671826743884]
分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。
目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。
提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
論文 参考訳(メタデータ) (2020-07-07T18:25:25Z) - Learning Diverse Representations for Fast Adaptation to Distribution
Shift [78.83747601814669]
本稿では,複数のモデルを学習する手法を提案する。
分散シフトへの迅速な適応を促進するフレームワークの能力を実証する。
論文 参考訳(メタデータ) (2020-06-12T12:23:50Z) - Stable Adversarial Learning under Distributional Shifts [46.98655899839784]
経験的リスク最小化を伴う機械学習アルゴリズムは、分散シフトの下で脆弱である。
本研究では、異種データソースを活用してより実用的な不確実性セットを構築する安定適応学習(SAL)アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-06-08T08:42:34Z)
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。