論文の概要: Evaluating Black-Box Vulnerabilities with Wasserstein-Constrained Data Perturbations
- arxiv url: http://arxiv.org/abs/2603.15867v1
- Date: Mon, 16 Mar 2026 19:56:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-18 17:42:06.969634
- Title: Evaluating Black-Box Vulnerabilities with Wasserstein-Constrained Data Perturbations
- Title（参考訳）: Wasserstein-Constrained Data Perturbations を用いたブラックボックス脆弱性の評価
- Authors: Adriana Laurindo Monteiro, Jean-Michel Loubes,
- Abstract要約: 入力変数の分布の変動に対する機械学習モデルの応答解析に最適輸送理論を適用した。
ワッサーシュタインの意味で、与えられた制約を満たす最も近い分布を見つけ、そのモデル挙動への影響を調べる。
- 参考スコア（独自算出の注目度）: 2.9220076568786335
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The massive use of Machine Learning (ML) tools in industry comes with critical challenges, such as the lack of explainable models and the use of black-box algorithms. We address this issue by applying Optimal Transport theory in the analysis of responses of ML models to variations in the distribution of input variables. We find the closest distribution, in the Wasserstein sense, that satisfies a given constraintt and examine its impact on model behavior. Furthermore, we establish convergence results for this projected distribution and demonstrate our approach using examples and real-world datasets in both regression and classification settings.
- Abstract（参考訳）: 業界における機械学習(ML)ツールの大量使用には、説明可能なモデルがないことやブラックボックスアルゴリズムの使用など、重要な課題が伴う。
入力変数の分布の変動に対するMLモデルの応答解析に最適輸送理論を適用することでこの問題に対処する。
ワッサーシュタインの意味で、与えられた制約を満たす最も近い分布を見つけ、そのモデル挙動への影響を調べる。
さらに, この予測分布に対する収束結果を確立し, 回帰と分類の両方の設定において実世界のデータセットと実例を用いて, アプローチを実証する。
関連論文リスト
- Informative Perturbation Selection for Uncertainty-Aware Post-hoc Explanations [7.226144684379189]
信頼と倫理的な懸念は、不透明な機械学習(ML)モデルが広く展開することによるものであり、信頼性のあるモデル説明の必要性を動機付けている。
ポストホックモデルに依存しない説明法は、興味のあるサンプルの局所性においてデプロイされたブラックボックスMLモデルの振る舞いを近似する代理モデルを学ぶことでこの問題に対処する。
本稿では,情報理論の積極的学習問題として摂動選択を定式化する,ポストホックモデルに依存しない説明フレームワークであるemphExpected Active Gain for Local Explanations (textttEAGLE)を提案する。
論文 参考訳（メタデータ） (2026-03-16T06:48:56Z) - Nonparametric Data Attribution for Diffusion Models [57.820618036556084]
生成モデルのデータ属性は、個々のトレーニング例がモデル出力に与える影響を定量化する。
生成画像とトレーニング画像のパッチレベルの類似性によって影響を測定する非パラメトリック属性法を提案する。
論文 参考訳（メタデータ） (2025-10-16T03:37:16Z) - When Pattern-by-Pattern Works: Theoretical and Empirical Insights for Logistic Models with Missing Values [7.853175228420558]
パターン・バイ・パタン戦略 (PbP) がベイズ確率を正確に近似することを証明する。
我々の分析は、欠落した値によるロジスティック回帰に関する総合的な見解を提供する。
論文 参考訳（メタデータ） (2025-07-17T11:52:27Z) - Influence Functions for Scalable Data Attribution in Diffusion Models [52.92223039302037]
拡散モデルは、生成的モデリングに大きな進歩をもたらした。
しかし、彼らの普及はデータ属性と解釈可能性に関する課題を引き起こす。
これらの課題に対処するための影響関数フレームワークを開発する。
論文 参考訳（メタデータ） (2024-10-17T17:59:02Z) - Fusion of Gaussian Processes Predictions with Monte Carlo Sampling [61.31380086717422]
科学と工学において、私たちはしばしば興味のある変数の正確な予測のために設計されたモデルで作業します。
これらのモデルが現実の近似であることを認識し、複数のモデルを同じデータに適用し、結果を統合することが望ましい。
論文 参考訳（メタデータ） (2024-03-03T04:21:21Z) - Quantile-constrained Wasserstein projections for robust interpretability
of numerical and machine learning models [18.771531343438227]
ブラックボックスモデルの研究は、しばしば入力に課される確率構造を含む感度分析に基づいている。
我々の研究は、両方のパラダイムに関連性があり使いやすいツールを提供することで、UQとMLの解釈可能性アプローチを統合することを目的としています。
論文 参考訳（メタデータ） (2022-09-23T11:58:03Z) - A non-asymptotic penalization criterion for model selection in mixture
of experts models [1.491109220586182]
ガウス型局所化moe(glome)回帰モデルを用いて異種データをモデル化する。
このモデルは、統計的推定とモデル選択の問題に関して難しい疑問を提起する。
本稿では,GLoMEモデルの成分数を推定する問題について,最大推定法を用いて検討する。
論文 参考訳（メタデータ） (2021-04-06T16:24:55Z) - Accounting for Unobserved Confounding in Domain Generalization [107.0464488046289]
本稿では,データセットの組み合わせから頑健で一般化可能な予測モデルを学習する際の問題点について検討する。
堅牢なモデルを学ぶことの課題の一部は、保存されていない共同設立者の影響にある。
異なるモダリティの医療データに対するアプローチの実証的性能を実証する。
論文 参考訳（メタデータ） (2020-07-21T08:18:06Z)
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。