論文の概要: Byzantine Distributed Function Computation

• arxiv url: http://arxiv.org/abs/2503.01522v2
• Date: Mon, 10 Mar 2025 06:59:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-11 13:36:29.408246
• Title: Byzantine Distributed Function Computation
• Title（参考訳）: ビザンチン分散関数計算
• Authors: Hari Krishnan P. Anilkumar, Neha Sangwan, Varun Narayanan, Vinod M. Prabhakaran,
• Abstract要約: 分散関数計算問題を$k$のユーザで検討し、少なくとも$s$は敵によって制御される可能性がある。 ユーザーが正直に振る舞うと、その機能は高い確率で回収される。 逆向きに振る舞うと、関数は驚くほど小さな歪みで復元される。
• 参考スコア（独自算出の注目度）: 7.532756762622666
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study the distributed function computation problem with $k$ users of which at most $s$ may be controlled by an adversary and characterize the set of functions of the sources the decoder can reconstruct robustly in the following sense -- if the users behave honestly, the function is recovered with high probability (w.h.p.); if they behave adversarially, w.h.p, either one of the adversarial users will be identified or the function is recovered with vanishingly small distortion.
• Abstract（参考訳）: 我々は、$k$の分散関数計算問題を、少なくとも$s$が敵によって制御され、デコーダが次の意味で頑健に再構築できる情報源の関数の集合を特徴づける: ユーザーが正直に振る舞うと、その関数は高い確率で回収される(w.h.p.)。

関連論文リスト

• Loss Functions and Operators Generated by f-Divergences [21.58093510003414]
  本稿では,$f$-divergencesに基づいて新しい凸損失関数を構築することを提案する。 ロジスティック損失と類似して、$f$-divergenceによって生成される損失関数は演算子と関連付けられ、$f$-softargmax をダブする。 本研究の目的は,言語モデル設定における古典的クロスエントロピーを超えた損失関数の有効性を決定することである。
  論文  参考訳（メタデータ） (2025-01-30T18:06:18Z)
• On the Resilience of LLM-Based Multi-Agent Collaboration with Faulty Agents [58.79302663733703]
  大規模言語モデルに基づくマルチエージェントシステムは、専門家エージェントの協力により、様々なタスクにまたがる優れた能力を示している。 しかし、不器用なエージェントや悪意のあるエージェントがシステム全体のパフォーマンスに与える影響は、まだ解明されていない。 本稿では, 種々のシステム構造の耐震性について考察する。
  論文  参考訳（メタデータ） (2024-08-02T03:25:20Z)
• Compressed Regression over Adaptive Networks [58.79251288443156]
  分散エージェントのネットワークによって達成可能な性能を導出し,通信制約や回帰問題を解消し,適応的に解決する。 エージェントによって最適化に必要なパラメータをオンラインで学習できる最適化アロケーション戦略を考案する。
  論文  参考訳（メタデータ） (2023-04-07T13:41:08Z)
• Nuisance Function Tuning and Sample Splitting for Optimal Doubly Robust Estimation [5.018363990542611]
  二重頑健な非パラメトリック関数に対する収束率の最適値を求めるために、ニュアンス関数を推定する方法の問題点を考察する。 プラグインおよび一階偏り補正された推定器は、ニュアンス関数のすべてのH"古い滑らか度クラスに対して収束の最小値が得られることを示す。
  論文  参考訳（メタデータ） (2022-12-30T18:17:06Z)
• Impact of Redundancy on Resilience in Distributed Optimization and Learning [4.664766612388049]
  本稿では,サーバアーキテクチャにおける分散最適化と学習のレジリエンスの問題について考察する。 システムはサーバと複数のエージェントから構成され、各エージェントは独自のローカルコスト関数を持つ。 局所コスト関数が十分冗長であることを考えると、実際に$(f, r; epsilon)$-レジリエンスが達成できることが示される。
  論文  参考訳（メタデータ） (2022-11-16T02:23:34Z)
• Beyond the Return: Off-policy Function Estimation under User-specified Error-measuring Distributions [8.881195152638986]
  オフ・ポリティィ・アセスメント(英語: Off-policy Evaluation)は、政策の期待された回帰を推定し、その価値関数を推定する2つの関連するタスクを指す。 疎外化重要度サンプリングの目的に対して適切な正則化を課すことにより、実現可能性のみの下での非政治機能推定の保証を提供する。
  論文  参考訳（メタデータ） (2022-10-27T15:34:17Z)
• Inference on Strongly Identified Functionals of Weakly Identified Functions [71.42652863687117]
  本研究では,ニュアンス関数が存在しない場合でも,関数を強く識別するための新しい条件について検討する。 本稿では,プライマリおよびデバイアスのニュアンス関数に対するペナル化ミニマックス推定器を提案する。
  論文  参考訳（メタデータ） (2022-08-17T13:38:31Z)
• Byzantine-Robust Online and Offline Distributed Reinforcement Learning [60.970950468309056]
  本稿では,複数のエージェントが環境を探索し,その経験を中央サーバを通じて伝達する分散強化学習環境について考察する。 エージェントの$alpha$-fractionは敵対的であり、任意の偽情報を報告することができる。 我々は、これらの対立エージェントの存在下で、マルコフ決定プロセスの根底にある準最適政策を特定することを模索する。
  論文  参考訳（メタデータ） (2022-06-01T00:44:53Z)
• Provable General Function Class Representation Learning in Multitask Bandits and MDPs [58.624124220900306]
  マルチタスク表現学習は、サンプル効率を高めるために強化学習において一般的なアプローチである。 本研究では,解析結果を一般関数クラス表現に拡張する。 バンディットと線形MDPの一般関数クラスにおけるマルチタスク表現学習の利点を理論的に検証する。
  論文  参考訳（メタデータ） (2022-05-31T11:36:42Z)
• Invariance in Policy Optimisation and Partial Identifiability in Reward Learning [67.4640841144101]
  一般の報奨学習データソースに与えられる報酬関数の部分的識別性を特徴付ける。 また、政策最適化など、下流業務におけるこの部分的識別可能性の影響も分析する。
  論文  参考訳（メタデータ） (2022-03-14T20:19:15Z)
• Utilizing Redundancy in Cost Functions for Resilience in Distributed Optimization and Learning [1.8414221462731502]
  本稿では,サーバアーキテクチャにおけるレジリエントな分散最適化と機械学習の問題について考察する。 システムはサーバと複数のエージェントから構成され、各エージェントはローカルなコスト関数を持つ。 エージェントのいくつかが非同期で、/またはビザンティンの欠陥がある場合を考えます。
  論文  参考訳（メタデータ） (2021-10-21T02:41:19Z)
• Detecting Security Fixes in Open-Source Repositories using Static Code Analyzers [8.716427214870459]
  機械学習(ML)アプリケーションにおけるコミットを表現する機能として,既製の静的コードアナライザの出力がどの程度使用されるかを検討する。 埋め込みの構築やMLモデルをトレーニングして、脆弱性修正を含むソースコードコミットを自動的に識別する方法について検討する。 当社のメソッドとcommit2vecの組み合わせは,脆弱性を修正するコミットの自動識別において,最先端技術よりも明確な改善であることがわかった。
  論文  参考訳（メタデータ） (2021-05-07T15:57:17Z)
• Minimax Kernel Machine Learning for a Class of Doubly Robust Functionals [16.768606469968113]
  もともと導入された二重頑健なモーメント関数のクラスを考える(Robins et al., 2008)。 このモーメント関数は、ニュアンス関数の推定方程式の構築に使用できることを実証する。 ニュアンス関数の収束速度は、統計学習理論の現代的な手法を用いて解析される。
  論文  参考訳（メタデータ） (2021-04-07T05:52:15Z)
• Learning to Separate Clusters of Adversarial Representations for Robust Adversarial Detection [50.03939695025513]
  本稿では,最近導入された非破壊的特徴を動機とした新しい確率的対向検出器を提案する。 本稿では,非ロバスト特徴を逆例の共通性と考え,その性質に対応する表現空間におけるクラスターの探索が可能であることを推定する。 このアイデアは、別のクラスタ内の逆表現の確率推定分布を導出し、その分布を確率に基づく逆検出器として活用する。
  論文  参考訳（メタデータ） (2020-12-07T07:21:18Z)
• Piecewise Linear Regression via a Difference of Convex Functions [50.89452535187813]
  本稿では,データに対する凸関数(DC関数)の差を利用した線形回帰手法を提案する。 実際に実装可能であることを示すとともに,実世界のデータセット上で既存の回帰/分類手法に匹敵する性能を有することを実証的に検証した。
  論文  参考訳（メタデータ） (2020-07-05T18:58:47Z)
• Mixability of Integral Losses: a Key to Efficient Online Aggregation of Functional and Probabilistic Forecasts [72.32459441619388]
  基本混合(および指数的に凹)損失関数を適用して機能的予測を比較し、これらの適応が混合可能であることを証明する(exp-concave)。 主な結果の応用として、確率予測に使用される様々な損失関数が混合可能であることを示す(exp-concave)。
  論文  参考訳（メタデータ） (2019-12-15T14:25:33Z)
• Invariant Feature Coding using Tensor Product Representation [75.62232699377877]
  我々は,群不変特徴ベクトルが線形分類器を学習する際に十分な識別情報を含んでいることを証明した。 主成分分析やk平均クラスタリングにおいて,グループアクションを明示的に考慮する新たな特徴モデルを提案する。
  論文  参考訳（メタデータ） (2019-06-05T07:15:17Z)

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。