論文の概要: Robust Online Learning

• arxiv url: http://arxiv.org/abs/2602.06775v1
• Date: Fri, 06 Feb 2026 15:30:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-09 22:18:26.447311
• Title: Robust Online Learning
• Title（参考訳）: ロバストオンライン学習
• Authors: Sajad Ashkezari,
• Abstract要約: 本研究では,分類器が摂動入力を受けるような頑健な分類器を学習する問題について検討する。 仮説クラスの実現可能性と学習性について考察する。 実現可能な設定における誤り境界と、不可知的な設定における後悔境界を制御していることを示す。
• 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 study the problem of learning robust classifiers where the classifier will receive a perturbed input. Unlike robust PAC learning studied in prior work, here the clean data and its label are also adversarially chosen. We formulate this setting as an online learning problem and consider both the realizable and agnostic learnability of hypothesis classes. We define a new dimension of classes and show it controls the mistake bounds in the realizable setting and the regret bounds in the agnostic setting. In contrast to the dimension that characterizes learnability in the PAC setting, our dimension is rather simple and resembles the Littlestone dimension. We generalize our dimension to multiclass hypothesis classes and prove similar results in the realizable case. Finally, we study the case where the learner does not know the set of allowed perturbations for each point and only has some prior on them.
• Abstract（参考訳）: 本研究では,分類器が摂動入力を受けるような頑健な分類器を学習する問題について検討する。 以前の研究で研究された堅牢なPAC学習とは異なり、クリーンデータとそのラベルも逆選択される。 我々は、この設定をオンライン学習問題として定式化し、仮説クラスの実現可能性と不可知性の両方を考察する。 クラスの新しい次元を定義し、それが実現可能な設定における誤り境界と不可知的な設定における後悔境界を制御することを示す。 PAC設定における学習可能性の特徴を特徴づける次元とは対照的に、我々の次元は比較的単純であり、リトルストーン次元に似ている。 我々は、我々の次元を多クラス仮説クラスに一般化し、実現可能なケースで同様の結果を証明する。 最後に,学習者が各点に対する許容摂動の集合を知らない場合について検討する。

関連論文リスト

• Partial Feedback Online Learning [88.27143767009376]
  我々は、偏見フィードバックオンライン学習と呼ばれる新しい学習プロトコルについて研究する。 各インスタンスは許容できるラベルのセットを許可するが、学習者は1ラウンドごとに許容できるラベルを1つだけ観察する。
  論文  参考訳（メタデータ） (2026-01-29T09:39:11Z)
• Probably Approximately Precision and Recall Learning [60.00180898830079]
  機械学習における重要な課題は、一方的なフィードバックの頻度である。 本稿では,確率的近似(PAC)フレームワークを導入し,各入力をラベルの集合にマッピングする仮説を定めている。 我々は、正のデータのみから学習する新しいアルゴリズムを開発し、実現可能な場合において最適なサンプル複雑性を実現する。
  論文  参考訳（メタデータ） (2024-11-20T04:21:07Z)
• Adversarially Robust PAC Learnability of Real-Valued Functions [19.54399554114989]
  脂肪散乱次元のクラスは $ell_p$ 摂動条件で学習可能であることを示す。 そこで本研究では,実関数に対する非依存的な新しいサンプルスキームを提案する。
  論文  参考訳（メタデータ） (2022-06-26T21:27:23Z)
• A Low Rank Promoting Prior for Unsupervised Contrastive Learning [108.91406719395417]
  提案手法は,従来の低階の促進をコントラスト学習の枠組みに効果的に組み込む新しい確率的グラフィカルモデルを構築する。 我々の仮説は、同じインスタンスクラスに属するすべてのサンプルが、小さな次元の同じ部分空間上にあることを明示的に要求する。 実証的な証拠は、提案アルゴリズムが複数のベンチマークにおける最先端のアプローチを明らかに上回っていることを示している。
  論文  参考訳（メタデータ） (2021-08-05T15:58:25Z)
• Sample-efficient proper PAC learning with approximate differential privacy [51.09425023771246]
  近似微分プライバシーを持つリトルストーン次元のクラスを適切に学習するサンプル複雑性が$tilde o(d6)$であることを証明し、プライバシーパラメータと精度パラメータを無視する。 この結果は Bun et al の質問に答えます。 (FOCS 2020) サンプルの複雑さに$2O(d)$の上限で改善することによって。
  論文  参考訳（メタデータ） (2020-12-07T18:17:46Z)

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。