論文の概要: Treatment of Statistical Estimation Problems in Randomized Smoothing for Adversarial Robustness

• arxiv url: http://arxiv.org/abs/2406.17830v2
• Date: Mon, 20 Jan 2025 16:31:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-22 14:18:06.883696
• Title: Treatment of Statistical Estimation Problems in Randomized Smoothing for Adversarial Robustness
• Title（参考訳）: 対向ロバスト性を考慮したランダム化平滑化における統計的推定問題の処理
• Authors: Vaclav Voracek,
• Abstract要約: ランダムな平滑化のための統計的推定問題について検討し,計算負担の有無を確かめる。 本稿では,標準手法と同じ統計的保証を享受する信頼度系列を用いた推定手法を提案する。 厳密な認証を行うために,Clopper-Pearson信頼区間のランダム化版を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Randomized smoothing is a popular certified defense against adversarial attacks. In its essence, we need to solve a problem of statistical estimation which is usually very time-consuming since we need to perform numerous (usually $10^5$) forward passes of the classifier for every point to be certified. In this paper, we review the statistical estimation problems for randomized smoothing to find out if the computational burden is necessary. In particular, we consider the (standard) task of adversarial robustness where we need to decide if a point is robust at a certain radius or not using as few samples as possible while maintaining statistical guarantees. We present estimation procedures employing confidence sequences enjoying the same statistical guarantees as the standard methods, with the optimal sample complexities for the estimation task and empirically demonstrate their good performance. Additionally, we provide a randomized version of Clopper-Pearson confidence intervals resulting in strictly stronger certificates.
• Abstract（参考訳）: ランダムな平滑化は敵の攻撃に対する認証された防御である。 本質的に、認定されるすべての点に対して、分類器の多くの(通常10^5$)前方通過を実行する必要があるため、通常は非常に時間を要する統計的推定の問題を解決する必要がある。 本稿では,ランダムな平滑化のための統計的推定問題について概説し,計算負荷が必要かどうかを確かめる。 特に、ある点が一定の半径で頑健かどうかを統計的保証を維持しながらできるだけ少ないサンプルを用いて決定する必要がある(標準的)逆強靭性(英語版)のタスクを考える。 提案手法は,提案手法と同一の統計的保証を享受する信頼度系列を用いた推定手順であり,その推定タスクに最適なサンプル複雑度を持ち,その性能を実証的に示すものである。 さらに,Cropper-Pearson信頼区間のランダム化版を提供し,厳密な認証を行う。

関連論文リスト

• Statistical Inference in Tensor Completion: Optimal Uncertainty Quantification and Statistical-to-Computational Gaps [7.174572371800217]
  本稿では,不完全かつノイズの多い観測を用いて,テンソル線形形式を統計的に推定する簡易かつ効率的な手法を提案する。 これは、信頼区間の構築、ヘテロスケダティックおよびサブ指数雑音下での推論、同時テストなど、様々な統計的推論タスクに適している。
  論文  参考訳（メタデータ） (2024-10-15T03:09:52Z)
• Interval Estimation of Coefficients in Penalized Regression Models of Insurance Data [3.5637073151604093]
  ツイーディー指数分散ファミリーは、保険の損失をモデル化するために多くの人々の間で人気がある。 内在変数を記述する最も重要な特徴の信頼性(推論)を得るためには、しばしば重要である。
  論文  参考訳（メタデータ） (2024-10-01T18:57:18Z)
• Efficient Quality Estimation of True Random Bit-streams [5.441027708840589]
  本稿では,真のランダムビットストリームにおける異常検出のためのオンライン手順の実装とその特徴について報告する。 このアプローチの実験的検証は、量子シリコンベースのエントロピー源によって生成されたビットストリーム上で実行される。
  論文  参考訳（メタデータ） (2024-09-09T12:09:17Z)
• Probabilistic Conformal Prediction with Approximate Conditional Validity [81.30551968980143]
  本研究では,共形手法の柔軟性と条件分布の推定を組み合わせ,予測セットを生成する手法を開発した。 我々の手法は、条件付きカバレッジの観点から既存の手法よりも一貫して優れています。
  論文  参考訳（メタデータ） (2024-07-01T20:44:48Z)
• Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
  確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。 本手法は, 精度の高い問題に特に適している。 提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
  論文  参考訳（メタデータ） (2023-11-08T00:10:21Z)
• Score Matching-based Pseudolikelihood Estimation of Neural Marked Spatio-Temporal Point Process with Uncertainty Quantification [59.81904428056924]
  我々は、不確実な定量化を伴うmarkPsを学習するためのスコアMAtching推定器であるSMASHを紹介する。 具体的には,スコアマッチングによるマークPsの擬似的類似度を推定することにより,正規化自由度を推定する。 提案手法の優れた性能は、事象予測と不確実性定量化の両方において広範な実験によって実証される。
  論文  参考訳（メタデータ） (2023-10-25T02:37:51Z)
• Differential privacy and robust statistics in high dimensions [49.50869296871643]
  高次元Propose-Test-Release (HPTR) は指数的メカニズム、頑健な統計、Propose-Test-Release メカニズムという3つの重要なコンポーネントの上に構築されている。 本論文では,HPTRが複数のシナリオで最適サンプル複雑性をほぼ達成していることを示す。
  論文  参考訳（メタデータ） (2021-11-12T06:36:40Z)
• Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
  本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。 我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。 実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
  論文  参考訳（メタデータ） (2021-05-25T14:35:46Z)
• Asymptotics of the Empirical Bootstrap Method Beyond Asymptotic Normality [25.402400996745058]
  実験的なブートストラップ推定器の限界分布は, 安定条件下では一定であることを示す。 本稿では,ブートストラップ法を用いて,カバレッジ保証付き信頼区間を構築するための3つの方法を提案する。
  論文  参考訳（メタデータ） (2020-11-23T07:14:30Z)
• Robust Validation: Confident Predictions Even When Distributions Shift [19.327409270934474]
  本稿では,モデルが点予測ではなく,その予測に対して不確実な推定を行うような,頑健な予測推論の手順について述べる。 本稿では, トレーニング集団の周囲に$f$-divergence のボールを用いて, 任意のテスト分布に対して適切なカバレッジレベルを与える予測セットを生成する手法を提案する。 私たちの方法論の重要な構成要素は、将来のデータシフトの量を見積り、それに対する堅牢性を構築することです。
  論文  参考訳（メタデータ） (2020-08-10T17:09:16Z)
• Certified Robustness to Label-Flipping Attacks via Randomized Smoothing [105.91827623768724]
  機械学習アルゴリズムは、データ中毒攻撃の影響を受けやすい。 任意の関数に対するランダム化スムージングの統一的なビューを示す。 本稿では,一般的なデータ中毒攻撃に対して,ポイントワイズで確実に堅牢な分類器を構築するための新しい戦略を提案する。
  論文  参考訳（メタデータ） (2020-02-07T21:28:30Z)

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。