論文の概要: Relaxed Models for Adversarial Streaming: The Advice Model and the
Bounded Interruptions Model
- arxiv url: http://arxiv.org/abs/2301.09203v1
- Date: Sun, 22 Jan 2023 21:13:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-24 14:39:49.446433
- Title: Relaxed Models for Adversarial Streaming: The Advice Model and the
Bounded Interruptions Model
- Title（参考訳）: 逆流のための緩和されたモデル:アドバイスモデルと境界割り込みモデル
- Authors: Menachem Sadigurschi, Moshe Shechner, Uri Stemmer
- Abstract要約: 逆ストリーミングアルゴリズムは、入力ストリームが適応的かつ逆方向に選択された場合でも、実用性を維持する必要がある。
不可避モデルと敵モデルとの補間を可能にする2つのモデルを提案する。
これにより、空間の複雑さを大幅に改善した堅牢なアルゴリズムを設計できる。
- 参考スコア（独自算出の注目度）: 14.204551125591022
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Streaming algorithms are typically analyzed in the oblivious setting, where
we assume that the input stream is fixed in advance. Recently, there is a
growing interest in designing adversarially robust streaming algorithms that
must maintain utility even when the input stream is chosen adaptively and
adversarially as the execution progresses. While several fascinating results
are known for the adversarial setting, in general, it comes at a very high cost
in terms of the required space. Motivated by this, in this work we set out to
explore intermediate models that allow us to interpolate between the oblivious
and the adversarial models. Specifically, we put forward the following two
models:
(1) *The advice model*, in which the streaming algorithm may occasionally ask
for one bit of advice.
(2) *The bounded interruptions model*, in which we assume that the adversary
is only partially adaptive.
We present both positive and negative results for each of these two models.
In particular, we present generic reductions from each of these models to the
oblivious model. This allows us to design robust algorithms with significantly
improved space complexity compared to what is known in the plain adversarial
model.
- Abstract（参考訳）: ストリーミングアルゴリズムは、通常、入力ストリームが事前に固定されていると仮定して、曖昧な設定で分析される。
近年,入力ストリームが実行が進行するにつれて適応的かつ逆向きに選択された場合でも,有用性を維持しなければならない,逆ロバストなストリーミングアルゴリズムの設計への関心が高まっている。
いくつかの興味深い結果が対向的な設定で知られているが、一般には必要空間の点で非常に高いコストがかかる。
このことに動機づけられたこの研究では、不可逆モデルと逆モデルの間の補間を可能にする中間モデルを探究した。
具体的には,(1)アドバイスモデル*,(2)ストリーミングアルゴリズムが時々アドバイスを求める,という2つのモデルを提案する。
(2) * 有界割り込みモデル* は、敵が部分的に適応しているだけだと仮定する。
これら2つのモデルにそれぞれ正と負の両方の結果を示す。
特に、これらのモデルから難解なモデルへの一般的な還元について述べる。
これにより、通常の逆数モデルで知られているものと比較して、空間の複雑さを大幅に改善したロバストなアルゴリズムを設計できる。
関連論文リスト
- Model Ensembling for Constrained Optimization [7.4351710906830375]
下流最適化に使用される多次元出力予測のためのモデルを組み立てたいという設定について検討する。
より正確には、状態空間を多次元実数値予測にマッピングする多くのモデルが与えられていると想像する。
これらの予測は、指定された制約の下で最適化したい線形対象の係数を形成する。
証明可能かつ収束性の高い2つのアルゴリズムに導かれる多重校正手法を適用した。
論文 参考訳（メタデータ） (2024-05-27T01:48:07Z) - Precision-Recall Divergence Optimization for Generative Modeling with
GANs and Normalizing Flows [54.050498411883495]
本研究では,ジェネレーティブ・アドバイサル・ネットワークや正規化フローなどの生成モデルのための新しいトレーニング手法を開発した。
指定された精度-リコールトレードオフを達成することは、textitPR-divergencesと呼ぶ家族からのユニークな$f$-divergenceを最小化することを意味する。
当社のアプローチは,ImageNetなどのデータセットでテストした場合の精度とリコールの両面で,BigGANのような既存の最先端モデルの性能を向上させる。
論文 参考訳（メタデータ） (2023-05-30T10:07:17Z) - Generalized Relation Modeling for Transformer Tracking [13.837171342738355]
ワンストリームトラッカーは、すべてのエンコーダ層を通して、テンプレートが検索領域内のすべての部分とやり取りすることを可能にする。
これは、抽出された特徴表現が十分に識別できない場合に、ターゲットと背景の混乱を引き起こす可能性がある。
適応トークン分割に基づく一般化された関係モデリング手法を提案する。
提案手法は,2ストリーム,1ストリームのパイプラインよりも優れており,リアルタイム実行速度の6つのベンチマークにおいて,最先端の性能を実現している。
論文 参考訳（メタデータ） (2023-03-29T10:29:25Z) - Probabilistic Modeling for Human Mesh Recovery [73.11532990173441]
本稿では,2次元の証拠から3次元の人体復元の問題に焦点を当てた。
我々は,この問題を,入力から3Dポーズの分布へのマッピング学習として再考した。
論文 参考訳（メタデータ） (2021-08-26T17:55:11Z) - Network Estimation by Mixing: Adaptivity and More [2.3478438171452014]
我々は、利用可能な任意のモデルを利用して、個々のパフォーマンスを改善する混合戦略を提案する。
提案手法は計算効率が高く,チューニングがほとんどない。
提案手法は,真のモデルが個々の候補に含まれる場合のオラクル推定と同等に動作することを示す。
論文 参考訳（メタデータ） (2021-06-05T05:17:04Z) - BODAME: Bilevel Optimization for Defense Against Model Extraction [10.877450596327407]
私たちは、サービスプロバイダのアタッカーを最も推測する前提の下でモデル抽出を防ぐために、逆の設定を検討します。
真のモデルの予測を用いてサロゲートモデルを定式化する。
勾配降下に基づくアルゴリズムを用いて学習されるより複雑なモデルに対して,トラクタブル変換とアルゴリズムを与える。
論文 参考訳（メタデータ） (2021-03-11T17:08:31Z) - Outlier-Robust Learning of Ising Models Under Dobrushin's Condition [57.89518300699042]
本研究では, サンプルの一定割合が逆向きに破壊されるような外乱条件下で, ドブルシンの条件を満たすIsingモデルの学習問題について検討する。
我々の主な成果は、ほぼ最適誤差保証を伴うこの問題に対して、計算効率のよい最初の頑健な学習アルゴリズムを提供することである。
論文 参考訳（メタデータ） (2021-02-03T18:00:57Z) - Understanding Neural Abstractive Summarization Models via Uncertainty [54.37665950633147]
seq2seq抽象要約モデルは、自由形式の方法でテキストを生成する。
モデルのトークンレベルの予測のエントロピー、すなわち不確実性について検討する。
要約とテキスト生成モデルをより広範囲に解析する上で,不確実性は有用であることを示す。
論文 参考訳（メタデータ） (2020-10-15T16:57:27Z) - Affine-Invariant Robust Training [0.0]
本研究は,空間的ロバスト性に関する研究をレビューし,入力毎に最悪のアフィン変換を求めるため,ゼロ階最適化アルゴリズムを提案する。
提案手法は,頑健なモデルを効果的に生成し,非パラメトリック逆摂動の導入を可能にする。
論文 参考訳（メタデータ） (2020-10-08T18:59:19Z) - Goal-directed Generation of Discrete Structures with Conditional
Generative Models [85.51463588099556]
本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。
提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
論文 参考訳（メタデータ） (2020-10-05T20:03:13Z) - Learning Causal Models Online [103.87959747047158]
予測モデルは、予測を行うためにデータの急激な相関に依存することができる。
強い一般化を達成するための一つの解決策は、モデルに因果構造を組み込むことである。
本稿では,突発的特徴を継続的に検出・除去するオンラインアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-06-12T20:49:20Z)
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。