Fugu-MT 論文翻訳(概要): Certifying Robustness via Topological Representations

論文の概要: Certifying Robustness via Topological Representations

arxiv url: http://arxiv.org/abs/2501.10876v1
Date: Sat, 18 Jan 2025 20:57:20 GMT
ステータス: 翻訳完了
システム内更新日: 2025-01-22 14:24:12.707685
Title: Certifying Robustness via Topological Representations
Title（参考訳）: トポロジカル表現によるロバスト性認定
Authors: Jens Agerberg, Andrea Guidolin, Andrea Martinelli, Pepijn Roos Hoefgeest, David Eklund, Martina Scolamiero,
Abstract要約: 永続図からデータの識別的幾何表現を学習できるニューラルネットワークアーキテクチャを提案する。逆学習では、データセットのサンプルに対して$epsilon$-robustnessを認定するためにこの安定性を使用することができる。
参考スコア（独自算出の注目度）: 1.1545092788508224
License:
Abstract: We propose a neural network architecture that can learn discriminative geometric representations of data from persistence diagrams, common descriptors of Topological Data Analysis. The learned representations enjoy Lipschitz stability with a controllable Lipschitz constant. In adversarial learning, this stability can be used to certify $\epsilon$-robustness for samples in a dataset, which we demonstrate on the ORBIT5K dataset representing the orbits of a discrete dynamical system.
Abstract（参考訳）: 本稿では、トポロジカルデータ解析の一般的な記述子である永続図から、データの識別的幾何表現を学習できるニューラルネットワークアーキテクチャを提案する。学習された表現は、制御可能なリプシッツ定数でリプシッツ安定性を楽しむ。逆学習において、この安定性はデータセット内のサンプルに対する$\epsilon$-robustnessの証明に利用することができ、これは離散力学系の軌道を表すORBIT5Kデータセットで実証される。

関連論文リスト

Learning Stochastic Nonlinear Dynamics with Embedded Latent Transfer Operators [5.074981199059028]
非線形力学系の演算子に基づく潜在マルコフ表現を考える。埋め込みは、例えばフィードフォワードニューラルネットワークで構築された再生カーネルを使って同時に学習することができる。また、非線形系における逐次状態推定の一般化や、演算子に基づくダイナミクスの固有モード分解についても論じる。
論文参考訳（メタデータ） (2025-01-06T02:25:48Z)
Tipping Points of Evolving Epidemiological Networks: Machine Learning-Assisted, Data-Driven Effective Modeling [0.0]
適応型感受性感染症(SIS)疫学ネットワークのチップポイント集団動態を,データ駆動型機械学習支援方式で検討した。複素実効微分方程式(eSDE)を物理的に有意な粗い平均場変数で同定する。本研究では, 頻繁な現象の統計を, 繰り返しブルート力シミュレーションと, 確立された数学的・計算ツールを用いて研究する。
論文参考訳（メタデータ） (2023-11-01T19:33:03Z)
Persistence-based operators in machine learning [62.997667081978825]
永続性に基づくニューラルネットワークレイヤのクラスを導入します。永続化ベースのレイヤにより、ユーザは、データによって尊重される対称性に関する知識を容易に注入でき、学習可能なウェイトを備え、最先端のニューラルネットワークアーキテクチャで構成できる。
論文参考訳（メタデータ） (2022-12-28T18:03:41Z)
Stability of Neural Networks on Manifolds to Relative Perturbations [118.84154142918214]
グラフニューラルネットワーク(GNN)は多くの実践シナリオにおいて素晴らしいパフォーマンスを示している。 GNNは大規模グラフ上でうまくスケールすることができるが、これは既存の安定性がノード数とともに増加するという事実に矛盾する。
論文参考訳（メタデータ） (2021-10-10T04:37:19Z)
Training Stable Graph Neural Networks Through Constrained Learning [116.03137405192356]
グラフニューラルネットワーク(GNN)は、ネットワークデータから機能を学ぶためにグラフ畳み込みに依存する。 GNNは、グラフフィルタから受け継いだ特性である、基礎となるグラフの様々な種類の摂動に対して安定である。本稿では,GNNの安定条件に制約を課すことにより,新たな制約付き学習手法を提案する。
論文参考訳（メタデータ） (2021-10-07T15:54:42Z)
PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
論文参考訳（メタデータ） (2021-03-17T08:28:30Z)
GELATO: Geometrically Enriched Latent Model for Offline Reinforcement Learning [54.291331971813364]
オフライン強化学習アプローチは、近近法と不確実性認識法に分けられる。本研究では,この2つを潜在変動モデルに組み合わせることのメリットを実証する。提案したメトリクスは、分布サンプルのアウトの品質と、データ内のサンプルの不一致の両方を測定します。
論文参考訳（メタデータ） (2021-02-22T19:42:40Z)
SNoRe: Scalable Unsupervised Learning of Symbolic Node Representations [0.0]
提案したSNoReアルゴリズムは、個々のネットワークノードのシンボリックで人間の理解可能な表現を学習することができる。 SNoReの解釈可能な特徴は、個々の予測を直接説明するのに適している。 SNoReのベクトル化実装は大規模ネットワークにスケールし、現代のネットワーク学習および分析タスクに適している。
論文参考訳（メタデータ） (2020-09-08T08:13:21Z)
Tractably Modelling Dependence in Networks Beyond Exchangeability [0.0]
本研究では, ネットワークの推定, クラスタリング, 次数挙動について検討する。このことは、一般的には交換不能なネットワークデータをブロックモデルで記述できる理由と方法を探る。
論文参考訳（メタデータ） (2020-07-28T17:13:59Z)
Lipschitz Recurrent Neural Networks [100.72827570987992]
我々のリプシッツ再帰ユニットは、他の連続時間RNNと比較して、入力やパラメータの摂動に対してより堅牢であることを示す。実験により,Lipschitz RNNは,ベンチマークタスクにおいて,既存のリカレントユニットよりも優れた性能を発揮することが示された。
論文参考訳（メタデータ） (2020-06-22T08:44:52Z)

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。