論文の概要: Efficient PAC Learning of Halfspaces with Constant Malicious Noise Rate

• arxiv url: http://arxiv.org/abs/2410.01186v3
• Date: Thu, 16 Jan 2025 05:50:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-17 15:08:02.443913
• Title: Efficient PAC Learning of Halfspaces with Constant Malicious Noise Rate
• Title（参考訳）: 定悪雑音率をもつハーフスペースの効率的PAC学習
• Authors: Jie Shen,
• Abstract要約: 本研究では,悪質な雑音の存在下でのハーフスペースの計算効率の高いPAC学習の問題について検討する。 再重み付きヒンジ損失を最小化することにより、一定の耐雑音性を実現することができることを示す。
• 参考スコア（独自算出の注目度）: 6.209600119671225
• License:
• Abstract: Understanding noise tolerance of machine learning algorithms is a central quest in learning theory. In this work, we study the problem of computationally efficient PAC learning of halfspaces in the presence of malicious noise, where an adversary can corrupt both instances and labels of training samples. The best-known noise tolerance either depends on a target error rate under distributional assumptions or on a margin parameter under large-margin conditions. In this work, we show that when both types of conditions are satisfied, it is possible to achieve constant noise tolerance by minimizing a reweighted hinge loss. Our key ingredients include: 1) an efficient algorithm that finds weights to control the gradient deterioration from corrupted samples, and 2) a new analysis on the robustness of the hinge loss equipped with such weights.
• Abstract（参考訳）: 機械学習アルゴリズムの耐雑音性を理解することは、学習理論における中心的な探求である。 本研究では,悪質な雑音が存在する場合のハーフスペースの計算効率の高いPAC学習の問題について検討する。 最もよく知られている耐雑音性は、分布的な仮定の下での目標誤差率か、大域的な条件下でのマージンパラメータに依存する。 本研究では,両条件が満たされた場合,再重み付きヒンジ損失を最小限に抑え,一定の耐雑音性を実現することができることを示す。 主な材料は以下のとおりである。 1 劣化した試料の劣化を制御するための重みを求める効率的なアルゴリズム、及び 2) 重み付きヒンジ損失のロバスト性に関する新しい解析

関連論文リスト

• Label Noise: Correcting the Forward-Correction [0.0]
  ラベルノイズのあるデータセット上でニューラルネットワーク分類器を訓練することは、ノイズのあるラベルに過度に適合するリスクをもたらす。 ラベルノイズによる過度適合に対処する手法を提案する。 本研究は, オーバーフィッティングを緩和するために, トレーニング損失に低い限界を課すことを提案する。
  論文  参考訳（メタデータ） (2023-07-24T19:41:19Z)
• Latent Class-Conditional Noise Model [54.56899309997246]
  本稿では,ベイズ的枠組みの下での雑音遷移をパラメータ化するためのLatent Class-Conditional Noise Model (LCCN)を提案する。 次に、Gibs sampler を用いて遅延真のラベルを効率的に推測できる LCCN の動的ラベル回帰法を導出する。 提案手法は,サンプルのミニバッチから事前の任意チューニングを回避するため,ノイズ遷移の安定な更新を保護している。
  論文  参考訳（メタデータ） (2023-02-19T15:24:37Z)
• Error Mitigation Thresholds in Noisy Random Quantum Circuits [0.30723404270319693]
  ノイズが不完全である場合の確率的誤差キャンセルとテンソルネットワークの誤差軽減のロバスト性について検討する。 1次元の回路では、誤差軽減は障害の特徴づけにおける不完全性に対して$mathcalO(1)$の時間で失敗する。 本稿では, 量子計算の優位性, 測定誘起相転移の耐故障プローブ, および短期デバイスにおける量子アルゴリズムの検証について考察する。
  論文  参考訳（メタデータ） (2023-02-08T19:00:01Z)
• Improve Noise Tolerance of Robust Loss via Noise-Awareness [60.34670515595074]
  本稿では,NARL-Adjuster(NARL-Adjuster for brevity)と呼ばれる,ハイパーパラメータ予測関数を適応的に学習するメタラーニング手法を提案する。 4つのSOTAロバストな損失関数を我々のアルゴリズムに統合し,提案手法の一般性および性能をノイズ耐性と性能の両面で検証した。
  論文  参考訳（メタデータ） (2023-01-18T04:54:58Z)
• Evaluating the Resilience of Variational Quantum Algorithms to Leakage Noise [6.467585493563487]
  漏れノイズは、エラー訂正アプローチでは処理できないエラーの損傷源である。 このノイズが変分量子アルゴリズム(VQA)の性能に与える影響はまだ分かっていない。
  論文  参考訳（メタデータ） (2022-08-10T14:50:14Z)
• The Optimal Noise in Noise-Contrastive Learning Is Not What You Think [80.07065346699005]
  この仮定から逸脱すると、実際により良い統計的推定結果が得られることが示される。 特に、最適な雑音分布は、データと異なり、また、別の家族からさえも異なる。
  論文  参考訳（メタデータ） (2022-03-02T13:59:20Z)
• Learning Halfspaces with Tsybakov Noise [50.659479930171585]
  テュバコフ雑音の存在下でのハーフスペースの学習可能性について検討する。 真半空間に関して誤分類誤差$epsilon$を達成するアルゴリズムを与える。
  論文  参考訳（メタデータ） (2020-06-11T14:25:02Z)
• Efficiently Learning Adversarially Robust Halfspaces with Noise [69.01459748050453]
  本研究では,分布に依存しない環境下で,逆向きに頑健なハーフスペースを学習する問題について検討する。 実現可能な設定では、ハーフ空間が効果的に学習可能な対向摂動集合に対して必要かつ十分な条件を提供する。
  論文  参考訳（メタデータ） (2020-05-15T17:13:54Z)
• Towards Noise-resistant Object Detection with Noisy Annotations [119.63458519946691]
  ディープオブジェクト検出器の訓練には、正確なオブジェクトラベルとバウンディングボックス座標を持つ、相当量の人間の注釈画像が必要である。 ノイズの多いアノテーションはずっと簡単にアクセスできますが、学習には有害かもしれません。 ノイズにはラベルノイズとバウンディングボックスノイズが混在している。
  論文  参考訳（メタデータ） (2020-03-03T01:32:16Z)

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。