論文の概要: Adversarial Resilience against Clean-Label Attacks in Realizable and Noisy Settings

• arxiv url: http://arxiv.org/abs/2504.13966v1
• Date: Thu, 17 Apr 2025 13:20:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-30 08:15:37.056364
• Title: Adversarial Resilience against Clean-Label Attacks in Realizable and Noisy Settings
• Title（参考訳）: クリーンラベル攻撃に対する消音的抵抗性
• Authors: Carolin Heinzler,
• Abstract要約: i.d.データのストリームから逐次学習する際、非依存的な保証を確立するという課題について検討する。 我々は学習者が不確実な場合に予測をしないことを許す。 我々は、ノイズのあるクリーンラベルの反対者の下で、不一致に基づくしきい値に対する学習者の理論的分析を初めて行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We investigate the challenge of establishing stochastic-like guarantees when sequentially learning from a stream of i.i.d. data that includes an unknown quantity of clean-label adversarial samples. We permit the learner to abstain from making predictions when uncertain. The regret of the learner is measured in terms of misclassification and abstention error, where we allow the learner to abstain for free on adversarial injected samples. This approach is based on the work of Goel, Hanneke, Moran, and Shetty from arXiv:2306.13119. We explore the methods they present and manage to correct inaccuracies in their argumentation. However, this approach is limited to the realizable setting, where labels are assigned according to some function $f^*$ from the hypothesis space $\mathcal{F}$. Based on similar arguments, we explore methods to make adaptations for the agnostic setting where labels are random. Introducing the notion of a clean-label adversary in the agnostic context, we are the first to give a theoretical analysis of a disagreement-based learner for thresholds, subject to a clean-label adversary with noise.
• Abstract（参考訳）: 本研究では, 未知量のクリーンラベル逆数サンプルを含むデータストリームから連続的に学習する場合に, 確率的保証を確立することの課題について検討する。 我々は学習者が不確実な場合に予測をしないことを許す。 学習者の後悔は誤分類と棄却誤差の点で測定され、学習者は反対の注入サンプルを自由に禁じることができる。 このアプローチは、arXiv:2306.13119 の Goel, Hanneke, Moran, and Shetty の業績に基づいている。 提案する手法を探索し,不正確な議論を正す。 しかしこのアプローチは、ある関数 $f^*$ に従ってラベルが割り当てられるような実現可能な設定に限られる。 類似した議論に基づいて、ラベルがランダムな非依存的な設定に適応する手法を探索する。 クリーンラベルの反対者の概念を不可知的文脈で導入し、ノイズを伴うクリーンラベルの反対者の下で、不一致に基づく閾値学習者の理論的解析を初めて行った。

関連論文リスト

• Enhanced Sample Selection with Confidence Tracking: Identifying Correctly Labeled yet Hard-to-Learn Samples in Noisy Data [18.111971239860836]
  雑音ラベルの存在下での画像分類のための新しいサンプル選択法を提案する。 私たちのゴールは、正しくラベル付けされているが学習が難しいサンプルと、ラベル付けされていないサンプルを正確に区別することです。 本手法は,既存のサンプル選択手法にシームレスに統合可能なプラグイン・アンド・プレイコンポーネントとして機能する。
  論文  参考訳（メタデータ） (2025-04-24T12:07:14Z)
• Uncertainty-Aware Pseudo-Label Filtering for Source-Free Unsupervised Domain Adaptation [45.53185386883692]
  Source-free unsupervised domain adapt (SFUDA) は、訓練済みのソースモデルを、ソースデータにアクセスすることなく、ラベルなしのターゲットドメインで利用できるようにすることを目的としている。 本稿では,不確かさを意識したPseudo-label-filtering Adaptation (UPA) という手法を提案する。
  論文  参考訳（メタデータ） (2024-03-17T16:19:40Z)
• Appeal: Allow Mislabeled Samples the Chance to be Rectified in Partial Label Learning [55.4510979153023]
  部分ラベル学習(PLL)では、各インスタンスは候補ラベルのセットに関連付けられ、そのうち1つだけが接地真実である。 誤記されたサンプルの「アペアル」を支援するため,最初の魅力に基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-18T09:09:52Z)
• Virtual Category Learning: A Semi-Supervised Learning Method for Dense Prediction with Extremely Limited Labels [63.16824565919966]
  本稿では,ラベルの修正を伴わずに,混乱したサンプルを積極的に使用することを提案する。 仮想カテゴリー(VC)は、モデルの最適化に安全に貢献できるように、各混乱したサンプルに割り当てられる。 私たちの興味深い発見は、密集した視覚タスクにおけるVC学習の利用に注目しています。
  論文  参考訳（メタデータ） (2023-12-02T16:23:52Z)
• Shrinking Class Space for Enhanced Certainty in Semi-Supervised Learning [59.44422468242455]
  そこで我々はShrinkMatchと呼ばれる新しい手法を提案し、不確実なサンプルを学習する。 それぞれの不確実なサンプルに対して、元の Top-1 クラスを単に含むスランク類空間を適応的に求める。 次に、スランク空間における強と弱に強化された2つのサンプル間の整合正則化を課し、識別的表現を試みます。
  論文  参考訳（メタデータ） (2023-08-13T14:05:24Z)
• Adversarial Resilience in Sequential Prediction via Abstention [46.80218090768711]
  本研究では,クリーンラベルの逆数例を注入できる逆数設定における逐次予測の問題について検討する。 そこで本研究では,純粋と完全対向的な設定の間に位置する逐次予測の新しいモデルを提案する。
  論文  参考訳（メタデータ） (2023-06-22T17:44:22Z)
• Partial-Label Regression [54.74984751371617]
  部分ラベル学習は、弱い教師付き学習環境であり、各トレーニング例に候補ラベルのセットをアノテートすることができる。 部分ラベル学習に関する従来の研究は、候補ラベルがすべて離散的な分類設定のみに焦点を当てていた。 本稿では,各トレーニング例に実値付き候補ラベルのセットをアノテートした部分ラベル回帰を初めて検討する。
  論文  参考訳（メタデータ） (2023-06-15T09:02:24Z)
• Dist-PU: Positive-Unlabeled Learning from a Label Distribution Perspective [89.5370481649529]
  本稿では,PU学習のためのラベル分布視点を提案する。 そこで本研究では,予測型と基底型のラベル分布間のラベル分布の整合性を追求する。 提案手法の有効性を3つのベンチマークデータセットで検証した。
  論文  参考訳（メタデータ） (2022-12-06T07:38:29Z)
• Learning with Proper Partial Labels [87.65718705642819]
  部分ラベル学習は、不正確なラベルを持つ弱い教師付き学習の一種である。 この適切な部分ラベル学習フレームワークには,従来の部分ラベル学習設定が数多く含まれていることを示す。 次に、分類リスクの統一的非バイアス推定器を導出する。
  論文  参考訳（メタデータ） (2021-12-23T01:37:03Z)

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。