論文の概要: Adversarially robust clustering with optimality guarantees

• arxiv url: http://arxiv.org/abs/2306.09977v1
• Date: Fri, 16 Jun 2023 17:17:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-19 12:53:17.132826
• Title: Adversarially robust clustering with optimality guarantees
• Title（参考訳）: 最適性保証付き逆ロバストクラスタリング
• Authors: Soham Jana, Kun Yang, Sanjeev Kulkarni
• Abstract要約: 我々はガウス以下の混合系から得られるデータポイントをクラスタリングする問題を考察する。 ロイドアルゴリズムのような最適ラベル誤りを確実に達成する既存の手法は、通常、外れ値に対して脆弱である。 本稿では,逆数外乱の存在を許す場合でも,最適な誤ラベル率を求める単純なアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 7.66977750311051
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider the problem of clustering data points coming from sub-Gaussian mixtures. Existing methods that provably achieve the optimal mislabeling error, such as the Lloyd algorithm, are usually vulnerable to outliers. In contrast, clustering methods seemingly robust to adversarial perturbations are not known to satisfy the optimal statistical guarantees. We propose a simple algorithm that obtains the optimal mislabeling rate even when we allow adversarial outliers to be present. Our algorithm achieves the optimal error rate in constant iterations when a weak initialization condition is satisfied. In the absence of outliers, in fixed dimensions, our theoretical guarantees are similar to that of the Lloyd algorithm. Extensive experiments on various simulated data sets are conducted to support the theoretical guarantees of our method.
• Abstract（参考訳）: サブガウシアン混合から得られるデータポイントをクラスタリングする問題を考える。 ロイドアルゴリズムのような最適誤記誤差を確実に達成する既存の方法は、通常、外れ値に対して脆弱である。 対照的に、逆摂動に対して頑健に見えるクラスタリング手法は、最適統計的保証を満たすことが分かっていない。 本稿では,逆数外乱の存在を許す場合でも,最適な誤ラベル率を求める単純なアルゴリズムを提案する。 本アルゴリズムは,弱初期化条件が満たされた場合,一定の反復で最適誤差率を達成する。 外れ値がない場合、固定次元では、我々の理論的保証はロイドアルゴリズムと類似している。 提案手法の理論的保証を支援するために, 各種シミュレーションデータセットの大規模実験を行った。

関連論文リスト

• A provable initialization and robust clustering method for general mixture models [6.806940901668607]
  クラスタリングは、異種データの存在下での統計機械学習の基本的なツールである。 最新の結果は、ガウス以下の誤差を伴うセントロイドの周りにデータが分散されている場合に、最適なラベルの誤りを保証することに焦点が当てられている。
  論文  参考訳（メタデータ） (2024-01-10T22:56:44Z)
• Best Arm Identification with Fixed Budget: A Large Deviation Perspective [54.305323903582845]
  我々は、様々な武器の報酬間の経験的ギャップに基づいて、あらゆるラウンドで腕を拒絶できる真に適応的なアルゴリズムであるsredを提示する。 特に、様々な武器の報酬の間の経験的ギャップに基づいて、あらゆるラウンドで腕を拒絶できる真に適応的なアルゴリズムであるsredを提示する。
  論文  参考訳（メタデータ） (2023-12-19T13:17:43Z)
• 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)
• Scalable Clustering: Large Scale Unsupervised Learning of Gaussian Mixture Models with Outliers [5.478764356647437]
  本稿では,損失最小化に基づくロバストなクラスタリングアルゴリズムを提案する。 これはアルゴリズムが高い確率で高い精度を得るという理論的保証を提供する。 実世界の大規模データセットの実験では、アルゴリズムの有効性が示されている。
  論文  参考訳（メタデータ） (2023-02-28T14:39:18Z)
• Robust Consensus Clustering and its Applications for Advertising Forecasting [18.242055675730253]
  我々は,専門家の意見に共通する根拠となる真実を見出すことのできる,ロバストなコンセンサスクラスタリングという新しいアルゴリズムを提案する。 提案手法を実世界の広告キャンペーンセグメンテーションと予測タスクに適用する。
  論文  参考訳（メタデータ） (2022-12-27T21:49:04Z)
• Mean-based Best Arm Identification in Stochastic Bandits under Reward Contamination [80.53485617514707]
  本稿では,ギャップベースアルゴリズムと逐次除去に基づく2つのアルゴリズムを提案する。 具体的には、ギャップベースのアルゴリズムでは、サンプルの複雑さは定数要素まで最適であり、連続的な除去では対数因子まで最適である。
  論文  参考訳（メタデータ） (2021-11-14T21:49:58Z)
• Learning to Hash Robustly, with Guarantees [79.68057056103014]
  本稿では,理論的アルゴリズムと本質的に一致する最悪ケース保証を持つハミング空間のためのNSアルゴリズムを設計する。 理論的にも実用的にも、与えられたデータセットに対してアルゴリズムが最適化できる能力を評価する。 我々のアルゴリズムは、MNISTおよびImageNetデータセットに対する最悪のパフォーマンスのクエリを、1.8倍と2.1倍の精度でリコールする。
  論文  参考訳（メタデータ） (2021-08-11T20:21:30Z)
• High Probability Complexity Bounds for Non-Smooth Stochastic Optimization with Heavy-Tailed Noise [51.31435087414348]
  アルゴリズムが高い確率で小さな客観的残差を与えることを理論的に保証することが不可欠である。 非滑らか凸最適化の既存の方法は、信頼度に依存した複雑性境界を持つ。 そこで我々は,勾配クリッピングを伴う2つの手法に対して,新たなステップサイズルールを提案する。
  論文  参考訳（メタデータ） (2021-06-10T17:54:21Z)
• Sparse PCA: Algorithms, Adversarial Perturbations and Certificates [9.348107805982604]
  標準統計モデルにおけるスパースPCAの効率的なアルゴリズムについて検討する。 私たちのゴールは、小さな摂動に耐性を持ちながら、最適な回復保証を達成することです。
  論文  参考訳（メタデータ） (2020-11-12T18:58:51Z)
• Large-Scale Methods for Distributionally Robust Optimization [53.98643772533416]
  我々のアルゴリズムは、トレーニングセットのサイズとパラメータの数によらず、多くの評価勾配を必要とすることを証明している。 MNIST と ImageNet の実験により,本手法の 9-36 倍の効率性を持つアルゴリズムの理論的スケーリングが確認された。
  論文  参考訳（メタデータ） (2020-10-12T17:41:44Z)
• Consistency of Anchor-based Spectral Clustering [0.0]
  アンカーベースの手法は、スペクトルクラスタリングアルゴリズムの計算複雑性を低減する。 厳密な分析が可能であり,実践に有効であることを示す。 我々はChenとCaiの最先端のLCC法と競合することが判明した。
  論文  参考訳（メタデータ） (2020-06-24T18:34:41Z)

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。