論文の概要: On the Adversarial Robustness of Benjamini Hochberg

• arxiv url: http://arxiv.org/abs/2501.03402v1
• Date: Mon, 06 Jan 2025 21:41:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-08 15:49:00.220545
• Title: On the Adversarial Robustness of Benjamini Hochberg
• Title（参考訳）: ベンジャミン・ホッホベルクの対逆ロバスト性について
• Authors: Louis L Chen, Roberto Szechtman, Matan Seri,
• Abstract要約: Benjamini-Hochberg (BH) 法は、複数のテストにおいて偽検出率(FDR)を制御するために広く用いられている。 この制御は、重要な安全・安全の文脈で頼りにできるので、敵の堅牢性について検討する。
• 参考スコア（独自算出の注目度）: 0.06144680854063938
• License:
• Abstract: The Benjamini-Hochberg (BH) procedure is widely used to control the false detection rate (FDR) in multiple testing. Applications of this control abound in drug discovery, forensics, anomaly detection, and, in particular, machine learning, ranging from nonparametric outlier detection to out-of-distribution detection and one-class classification methods. Considering this control could be relied upon in critical safety/security contexts, we investigate its adversarial robustness. More precisely, we study under what conditions BH does and does not exhibit adversarial robustness, we present a class of simple and easily implementable adversarial test-perturbation algorithms, and we perform computational experiments. With our algorithms, we demonstrate that there are conditions under which BH's control can be significantly broken with relatively few (even just one) test score perturbation(s), and provide non-asymptotic guarantees on the expected adversarial-adjustment to FDR. Our technical analysis involves a combinatorial reframing of the BH procedure as a ``balls into bins'' process, and drawing a connection to generalized ballot problems to facilitate an information-theoretic approach for deriving non-asymptotic lower bounds.
• Abstract（参考訳）: Benjamini-Hochberg (BH) 法は、複数のテストにおいて偽検出率(FDR)を制御するために広く用いられている。 薬物発見、法医学、異常検出、特に機械学習におけるこの制御の応用は、非パラメトリックなアウトレイア検出からアウト・オブ・ディストリビューション検出およびワンクラス分類方法まで幅広い。 この制御は、重要な安全・安全の文脈で頼りにできるので、敵の堅牢性について検討する。 より正確には、BHがどのような条件で、かつ、逆方向の頑健性を示していないかを研究し、単純で容易に実装可能な逆方向の検定摂動アルゴリズムのクラスを示し、計算実験を行う。 提案アルゴリズムでは,BHの制御が比較的少ない(たった1つでも)テストスコアの摂動で著しく破壊されうる条件が示され,FDRに対する非漸近性保証が提供される。 我々の技術的分析では、BHプロシージャを ``balls into bins'' プロセスとして組み合わせて再フレーミングし、非漸近的下界を導出するための情報理論的アプローチを促進するために一般化された投票問題への接続を描画する。

関連論文リスト

• Scalable Similarity-Aware Test Suite Minimization with Reinforcement Learning [6.9290255098776425]
  TripRLは、多種多様なテストスイートを高いテスト効率で生成する新しい技術である。 本稿では,TripRLのランタイムは,Multi-Criteria Test Suite Minimization問題の規模と線形にスケール可能であることを示す。
  論文  参考訳（メタデータ） (2024-08-24T08:43:03Z)
• 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)
• B-BACN: Bayesian Boundary-Aware Convolutional Network for Crack Characterization [4.447467536572625]
  き裂検出の不確かさは, 測定ノイズ, 信号処理, モデルの単純化など, 様々な要因により困難である。 機械学習に基づくアプローチは、不確実性とアレタリック不確実性の両方を同時に定量化するために提案される。 本稿では,不確実性を考慮した境界修正を重視したBundary-Aware Convolutional Network(B-BACN)を提案する。
  論文  参考訳（メタデータ） (2023-02-14T04:50:42Z)
• Adaptive novelty detection with false discovery rate guarantee [1.8249324194382757]
  有限標本における検出された新規性に対する偽発見率(FDR)を柔軟に制御する手法を提案する。 複数のテスト文献に触発されて、nullの割合に適応するAdaDetectの変種を提案する。 これらの手法は、天体物理学の応用を含む、合成データセットと実世界のデータセットに説明される。
  論文  参考訳（メタデータ） (2022-08-13T17:14:55Z)
• Statistical and Computational Phase Transitions in Group Testing [73.55361918807883]
  本研究の目的は、希少な疾患を患っているk人の集団を同定することである。 個々人のテストを割り当てるための2つの異なる単純なランダムな手順を考える。
  論文  参考訳（メタデータ） (2022-06-15T16:38:50Z)
• Mitigating the Mutual Error Amplification for Semi-Supervised Object Detection [92.52505195585925]
  擬似ラベルの修正機構を導入し,相互誤りの増幅を緩和するクロス・インストラクション(CT)手法を提案する。 他の検出器からの予測を直接擬似ラベルとして扱う既存の相互指導法とは対照的に,我々はラベル修正モジュール(LRM)を提案する。
  論文  参考訳（メタデータ） (2022-01-26T03:34:57Z)
• Learn then Test: Calibrating Predictive Algorithms to Achieve Risk Control [67.52000805944924]
  Learn then Test (LTT)は、機械学習モデルを校正するフレームワークである。 私たちの主な洞察は、リスクコントロール問題を複数の仮説テストとして再設計することです。 我々は、コンピュータビジョンの詳細な実例を用いて、コア機械学習タスクの新しいキャリブレーション手法を提供するために、我々のフレームワークを使用します。
  論文  参考訳（メタデータ） (2021-10-03T17:42:03Z)
• Unsupervised Anomaly Detection Ensembles using Item Response Theory [0.4640835690336652]
  項目応答理論(IRT)を用いて、教師なしの異常検出アンサンブルを構築する。 IRTの潜伏特性は、潜伏特性が隠れた地上の真実を明らかにするために使用できるため、異常検出に役立ちます。 我々は、IRTアンサンブルの広範なデータリポジトリにおける効果を実証する。
  論文  参考訳（メタデータ） (2021-06-11T08:51:26Z)
• Probabilistic Ranking-Aware Ensembles for Enhanced Object Detections [50.096540945099704]
  本稿では,検知器から箱を囲むことの信頼性を向上するPRAE(Probabilistic Ranking Aware Ensemble)という新しいアンサンブルを提案する。 また,異なる数の箱を扱う必要性によって生じる信頼の不均衡問題に対処するためのbanditアプローチも導入する。
  論文  参考訳（メタデータ） (2021-05-07T09:37:06Z)
• Generalized Chernoff Sampling for Active Testing, Active Regression and Structured Bandit Algorithms [16.19565714525819]
  本稿では,組織的バンディット設定におけるアクティブラーニングとベストアーム識別について検討する。 チャーノフの元々のアクティブテスト手順に対する新しいサンプル境界複雑性を得る。
  論文  参考訳（メタデータ） (2020-12-15T03:44:18Z)
• The Simulator: Understanding Adaptive Sampling in the Moderate-Confidence Regime [52.38455827779212]
  エミュレータと呼ばれる適応サンプリングを解析するための新しい手法を提案する。 適切なログファクタを組み込んだトップk問題の最初のインスタンスベースの下位境界を証明します。 我々の新しい分析は、後者の問題に対するこの種の最初のエミュレータであるベストアームとトップkの識別に、シンプルでほぼ最適であることを示した。
  論文  参考訳（メタデータ） (2017-02-16T23:42:02Z)

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。