論文の概要: Robust Online and Distributed Mean Estimation Under Adversarial Data
Corruption
- arxiv url: http://arxiv.org/abs/2209.09624v1
- Date: Sat, 17 Sep 2022 16:36:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-21 19:50:52.395826
- Title: Robust Online and Distributed Mean Estimation Under Adversarial Data
Corruption
- Title(参考訳): 逆データ崩壊時のロバストオンラインおよび分散平均推定
- Authors: Tong Yao and Shreyas Sundaram
- Abstract要約: 我々は,敵対的データアタックの存在下でのオンラインおよび分散シナリオにおけるロバスト平均推定について検討した。
アルゴリズムに真の平均を組み込むために,推定値の誤差バウンドと収束特性を提供する。
- 参考スコア(独自算出の注目度): 1.9199742103141069
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We study robust mean estimation in an online and distributed scenario in the
presence of adversarial data attacks. At each time step, each agent in a
network receives a potentially corrupted data point, where the data points were
originally independent and identically distributed samples of a random
variable. We propose online and distributed algorithms for all agents to
asymptotically estimate the mean. We provide the error-bound and the
convergence properties of the estimates to the true mean under our algorithms.
Based on the network topology, we further evaluate each agent's trade-off in
convergence rate between incorporating data from neighbors and learning with
only local observations.
- Abstract(参考訳): 我々は,敵対的データアタックの存在下でのオンラインおよび分散シナリオにおけるロバスト平均推定について検討した。
それぞれの時間ステップで、ネットワーク内の各エージェントは潜在的に破損したデータポイントを受け取り、データポイントはもともと独立であり、ランダム変数の同じ分散サンプルである。
我々は,平均を漸近的に推定するオンラインおよび分散アルゴリズムを提案する。
我々は,誤差バウンドと推定値の収束特性をアルゴリズムの真平均に与える。
ネットワークトポロジーに基づいて,各エージェントのコンバージェンス率のトレードオフを,近隣からのデータを取り込むことと,局所的な観察だけで学習することとでさらに評価する。
関連論文リスト
- Distributed Bayesian Estimation in Sensor Networks: Consensus on
Marginal Densities [15.038649101409804]
連続変数上の確率分布の関数空間において、確率的確率的アルゴリズムを導出する。
これらの結果を利用して、個々のエージェントが観測する変数のサブセットに制限された新しい分散推定器を得る。
これは、協調的なローカライゼーションやフェデレートドラーニングのような応用に関係しており、任意のエージェントで収集されたデータは、関心のあるすべての変数のサブセットに依存する。
論文 参考訳(メタデータ) (2023-12-02T21:10:06Z) - Amortised Inference in Neural Networks for Small-Scale Probabilistic
Meta-Learning [41.85464593920907]
BNNに対する大域的変分近似は、一連の条件分布を構成するために一連のインジェクションインプットを使用する。
我々の重要な洞察は、これらのインプットを実際のデータに置き換えることができ、変動分布は各データポイントに対して近似的な確率の集合からなることである。
この推論ネットワークを関連するデータセット間でトレーニングすることにより、タスク固有のBNNに対するメタ学習ベイズ推論が可能になる。
論文 参考訳(メタデータ) (2023-10-24T12:34:25Z) - Robust Online Covariance and Sparse Precision Estimation Under Arbitrary
Data Corruption [1.5850859526672516]
本稿では,オンラインシナリオにおける共分散を頑健に推定する改良型トリミング・インナー・プロデューサアルゴリズムを提案する。
推定値の誤差バウンドおよび収束特性を,アルゴリズムの真精度行列に与える。
論文 参考訳(メタデータ) (2023-09-16T05:37:28Z) - Correcting Underrepresentation and Intersectional Bias for Fair
Classification [55.2480439325792]
偏見バイアスによって劣化したデータから学習する問題について考察し, 正の例を, 一定の数のセンシティブなグループに対して, 異なる未知のレートでフィルタする。
交叉群のメンバーシップが各交叉率を計算不能にするような設定であっても,少数の偏りのないデータを用いてグループワイド・ドロップアウトパラメータを効率的に推定できることが示される。
我々は,この学習と再重み付け過程をカプセル化するアルゴリズムを提案し,高い確率で真の分布に対する仮説のリスクが任意に近いことをPACスタイルの強い保証を提供する。
論文 参考訳(メタデータ) (2023-06-19T18:25:44Z) - Probabilistic Matching of Real and Generated Data Statistics in
Generative Adversarial Networks [0.10878040851637999]
本稿では,あるデータ統計量の分布が実データの分布と一致することを確実にする手法を提案する。
提案手法を合成データセットと実世界のデータセットで評価し,提案手法の性能向上を実証した。
論文 参考訳(メタデータ) (2023-06-19T14:03:27Z) - Collaborative Algorithms for Online Personalized Mean Estimation [12.875154616215305]
いくつかの分布が同じ平均を持つ場合について検討し、エージェントは他のエージェントからの情報を積極的に問い合わせることができる。
目標は、各エージェントが他のエージェントとの通信によって平均推定を改善するアルゴリズムを設計することである。
我々は、このオンラインパーソナライズされた平均推定問題を解決するための新しい協調戦略を導入する。
論文 参考訳(メタデータ) (2022-08-24T13:23:26Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳(メタデータ) (2022-01-11T23:01:12Z) - Decentralized Local Stochastic Extra-Gradient for Variational
Inequalities [125.62877849447729]
我々は、不均一(非IID)で多くのデバイスに分散する問題データを持つ領域上での分散変分不等式(VIs)を考察する。
我々は、完全に分散化された計算の設定を網羅する計算ネットワークについて、非常に一般的な仮定を行う。
理論的には, モノトン, モノトンおよび非モノトンセッティングにおける収束速度を理論的に解析する。
論文 参考訳(メタデータ) (2021-06-15T17:45:51Z) - 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) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳(メタデータ) (2020-06-26T13:50:19Z) - Distribution Approximation and Statistical Estimation Guarantees of
Generative Adversarial Networks [82.61546580149427]
GAN(Generative Adversarial Networks)は教師なし学習において大きな成功を収めている。
本稿では,H'older空間における密度データ分布推定のためのGANの近似と統計的保証を提供する。
論文 参考訳(メタデータ) (2020-02-10T16:47:57Z)
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。