Fugu-MT 論文翻訳(概要): A Notion of Uniqueness for the Adversarial Bayes Classifier

論文の概要: A Notion of Uniqueness for the Adversarial Bayes Classifier

arxiv url: http://arxiv.org/abs/2404.16956v2
Date: Fri, 17 May 2024 23:48:47 GMT
ステータス: 処理完了
システム内更新日: 2024-05-21 22:21:29.290786
Title: A Notion of Uniqueness for the Adversarial Bayes Classifier
Title（参考訳）: 逆ベイズ分類器の特異性
Authors: Natalie S. Frank,
Abstract要約: 本稿では,二項分類の設定において,逆ベイズ分類器に対して一意性という新たな概念を提案する。摂動半径が増加するにつれて、逆ベイズ分類器の正則性は向上することを示す。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose a new notion of uniqueness for the adversarial Bayes classifier in the setting of binary classification. Analyzing this concept produces a simple procedure for computing all adversarial Bayes classifiers for a well-motivated family of one dimensional data distributions. This characterization is then leveraged to show that as the perturbation radius increases, certain the regularity of adversarial Bayes classifiers improves. Various examples demonstrate that the boundary of the adversarial Bayes classifier frequently lies near the boundary of the Bayes classifier.
Abstract（参考訳）: 本稿では,二項分類の設定において,逆ベイズ分類器に対して一意性という新たな概念を提案する。この概念を分析することは、すべての逆ベイズ分類器を1次元のデータ分布のよく動機付けられた族として計算するための単純な手順を生成する。この特徴を利用して、摂動半径が増加するにつれて、逆ベイズ分類器の正則性は向上することを示す。様々な例は、逆ベイズ分類器の境界はしばしばベイズ分類器の境界付近にあることを示した。

関連論文リスト

Adversarial Consistency and the Uniqueness of the Adversarial Bayes Classifier [0.0]
逆代理リスクの最小化は、堅牢な分類器を学習するための一般的な手法である。妥当な分布仮定の下では、凸代理損失は逆学習において統計的に整合であることが示され、逆ベイズ分類器は特異性の特定の概念を満たす。
論文参考訳（メタデータ） (2024-04-26T12:16:08Z)
The Lipschitz-Variance-Margin Tradeoff for Enhanced Randomized Smoothing [85.85160896547698]
ディープニューラルネットワークの現実的な応用は、ノイズの多い入力や敵攻撃に直面した場合、その不安定な予測によって妨げられる。入力にノイズ注入を頼りに、認証された半径を持つ効率的な分類器を設計する方法を示す。新たな認証手法により、ランダムな平滑化による事前学習モデルの使用が可能となり、ゼロショット方式で現在の認証半径を効果的に改善できる。
論文参考訳（メタデータ） (2023-09-28T22:41:47Z)
Optimal partition of feature using Bayesian classifier [0.0]
ネイブベイズでは、特定の特徴は独立特徴と呼ばれ、分類を予測する際に条件付き相関や依存を持たない。本研究では,Naive Bayes法がもたらす課題を克服する手法として,Comonotone-Independence (CIBer)を提案する。
論文参考訳（メタデータ） (2023-04-27T21:19:06Z)
Is the Performance of My Deep Network Too Good to Be True? A Direct Approach to Estimating the Bayes Error in Binary Classification [86.32752788233913]
分類問題において、ベイズ誤差は、最先端の性能を持つ分類器を評価するための基準として用いられる。我々はベイズ誤差推定器を提案する。そこでは,クラスの不確かさを示すラベルの平均値のみを評価できる。我々の柔軟なアプローチは、弱い教師付きデータであってもベイズ誤差を推定できる。
論文参考訳（メタデータ） (2022-02-01T13:22:26Z)
Benign Overfitting in Adversarially Robust Linear Classification [91.42259226639837]
分類器がノイズの多いトレーニングデータを記憶しながらも、優れた一般化性能を達成している「双曲オーバーフィッティング」は、機械学習コミュニティにおいて大きな注目を集めている。本研究は, 対人訓練において, 対人訓練において, 良心過剰が実際に発生することを示し, 対人訓練に対する防御の原則的アプローチを示す。
論文参考訳（メタデータ） (2021-12-31T00:27:31Z)
Improving usual Naive Bayes classifier performances with Neural Naive Bayes based models [6.939768185086753]
本稿では,ニューラルネットワーク機能を持つニューラルネイブベイズから誘導される分類器のパラメータをモデル化したニューラルネイブベイズについて紹介する。独立状態を緩和する新しいニューラルプール型マルコフチェインモデルも導入する。
論文参考訳（メタデータ） (2021-11-14T10:42:26Z)
Learning and Evaluating Representations for Deep One-class Classification [59.095144932794646]
ディープワンクラス分類のための2段階フレームワークを提案する。まず,一級データから自己教師付き表現を学習し,学習した表現に基づいて一級分類器を構築する。実験では、視覚領域の1クラス分類ベンチマークで最先端の性能を示す。
論文参考訳（メタデータ） (2020-11-04T23:33:41Z)
BaCOUn: Bayesian Classifers with Out-of-Distribution Uncertainty [23.100727871427367]
深層分類器に対する確実な不確実性推定を実現するためのベイズ的枠組みを提案する。当社のアプローチは,トレーニングデータの境界上にある追加の点群でデータを拡張するために使用されるプラグイン"ジェネレータ"と,これらの"配布外"点を区別するように訓練された特徴の上のベイズ推論とから構成される。
論文参考訳（メタデータ） (2020-07-12T20:52:55Z)
Classifier-independent Lower-Bounds for Adversarial Robustness [13.247278149124757]
理論的には、テストタイムの逆数と雑音の分類例に対するロバスト性の限界を解析する。最適輸送理論を用いて、与えられた分類問題に対して分類器ができるベイズ最適誤差の変分式を導出する。一般的な距離ベース攻撃の場合,ベイズ最適誤差に対して明らかな下限を導出する。
論文参考訳（メタデータ） (2020-06-17T16:46:39Z)
Open-Set Recognition with Gaussian Mixture Variational Autoencoders [91.3247063132127]
推論において、オープンセット分類は、サンプルをトレーニングから既知のクラスに分類するか、未知のクラスとして拒絶するかのどちらかである。我々は,協調的に再構築を学習し,潜在空間におけるクラスベースのクラスタリングを行うよう,我々のモデルを訓練する。我々のモデルは、より正確で堅牢なオープンセット分類結果を実現し、平均的なF1改善率は29.5%である。
論文参考訳（メタデータ） (2020-06-03T01:15:19Z)
Bayesian Deep Learning and a Probabilistic Perspective of Generalization [56.69671152009899]
ディープアンサンブルはベイズ辺化を近似する有効なメカニズムであることを示す。また,アトラクションの流域内での辺縁化により,予測分布をさらに改善する関連手法を提案する。
論文参考訳（メタデータ） (2020-02-20T15:13:27Z)

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。