論文の概要: Preventing Model Extraction in Contextual Linear Optimization

• arxiv url: http://arxiv.org/abs/2610.29918v1
• Date: Wed, 21 Oct 2026 15:55:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.396775
• Title: Preventing Model Extraction in Contextual Linear Optimization
• Title（参考訳）: 文脈線形最適化におけるモデル抽出の防止
• Abstract要約: 本稿では,攻撃者による予測モデル抽出の防止に焦点をあてる。 線形モデルの場合、攻撃者が正のスケーリングまでモデルを学習できる十分な条件を提供する。 本稿では,予測コストベクトルが決定境界付近にある場合にのみ決定を摂動する機構を提案する。
• 参考スコア（独自算出の注目度）: 21.02157606720353
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Consider a contextual linear optimization problem, where a predict-then-optimize (PTO) system returns optimal decisions without revealing the cost vectors used in its downstream linear program. Our focus is on how to prevent attackers, who can submit context queries, from extracting the underlying prediction model. Although the cost-to-decision map is many-to-one, observations across contexts can reveal the underlying prediction model. For linear models, we provide sufficient conditions where the attacker can learn the model up to positive scaling by only observing the decision. These conditions motivate an adaptive attack that alternates inverse optimization with boundary sampling, i.e., using context queries leading to decision boundaries of the current attacker model. To prevent extraction, we propose a mechanism that perturbs decisions only when the predicted cost vector is near a decision boundary. We establish a regret bound in terms of the perturbation radius. For the attackers that fit the defended responses as optimal decisions under the evaluation distribution, we also prove a lower bound on expected extraction error. Experiments on synthetic instances and real data quantify the security-performance trade-off of the defense mechanism and illustrate that our defense can increase the extraction error.
• Abstract（参考訳）: 予測テーマ最適化(PTO)システムが、下流線形プログラムで使用されるコストベクトルを明らかにせずに最適な決定を返却するコンテキスト線形最適化問題を考える。 我々の焦点は、コンテキストクエリを送信できる攻撃者が、基盤となる予測モデルを抽出するのを防ぐ方法である。 コスト・ツー・意思決定マップは多対一であるが、コンテキスト間の観測により、基礎となる予測モデルを明らかにすることができる。 線形モデルに対しては,決定を観察するだけで,攻撃者が正のスケーリングまでモデルを学習できる十分な条件を提供する。 これらの条件は、逆最適化と境界サンプリングを交互に行う適応攻撃(すなわち、現在の攻撃者のモデルの決定境界につながるコンテキストクエリ)を動機付けている。 抽出を防止するため,予測コストベクトルが決定境界付近にある場合にのみ,決定を摂動する機構を提案する。 我々は摂動半径の点で後悔の念を定めている。 また, 防御された応答を最適決定として評価分布に適合する攻撃者に対しては, 期待される抽出誤差に対して低い境界を証明した。 合成事例と実データを用いた実験は,防衛機構のセキュリティ・パフォーマンストレードオフを定量化し,我々の防衛が抽出誤差を増大させることを示す。

関連論文リスト

• Contextual Preference Distribution Learning [5.872632454395936]
  本稿では、優先分布を学習し、下流の問題を解決するためにそれらを活用するための逐次学習最適化パイプラインを提案する。 我々は、(整数)線形プログラムとして定式化できる人間の選択設定に焦点を当てる。
  論文  参考訳（メタデータ） (2026-03-17T21:11:21Z)
• LEC: Linear Expectation Constraints for False-Discovery Control in Selective Prediction and Routing Systems [95.35293543918762]
  大規模言語モデル(LLM)はしばしば信頼できない答えを生成するが、不確実性のある手法は誤った予測と完全に区別することができない。 我々は、この問題を、偽発見率(FDR)制御のレンズを通して解決し、全ての許容された予測のうち、エラーの割合が目標のリスクレベルを超えないことを保証する。 本稿では,線形期待制約を強制することで,選択予測を制約付き決定問題として再解釈するLECを提案する。
  論文  参考訳（メタデータ） (2025-12-01T11:27:09Z)
• Deep Limit Model-free Prediction in Regression [0.0]
  本稿では,DNN(Deep Neural Network)に基づくモデルフリーアプローチにより,一般的な回帰条件下での点予測と予測間隔を実現する。 提案手法は,特に最適点予測において,他のDNN法に比べて安定かつ正確である。
  論文  参考訳（メタデータ） (2024-08-18T16:37:53Z)
• Rejection via Learning Density Ratios [50.91522897152437]
  拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。 そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。 私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
  論文  参考訳（メタデータ） (2024-05-29T01:32:17Z)
• Contextual Linear Optimization with Partial Feedback [35.38485630117593]
  本研究では,異なるタイプのフィードバックを持つ文脈線形最適化(CLO)のためのオフライン学習アルゴリズムのクラスを提案する。 我々は,IERMに対して,不特定モデルクラスとフレキシブルな推定方法の選択を可能にする,新しい高速遅延境界を提供する。
  論文  参考訳（メタデータ） (2024-05-26T13:27:27Z)
• DF2: Distribution-Free Decision-Focused Learning [30.288876294435294]
  決定中心学習(DFL)は,予測列最適化問題に対する強力なアプローチとして登場した。 DFLはモデル誤差、サンプル平均近似誤差、近似誤差の3つのボトルネックに直面している。 本稿では,この3つのボトルネックを緩和する決定自由学習手法であるDF2を提案する。
  論文  参考訳（メタデータ） (2023-08-11T00:44:46Z)
• Performative Prediction with Bandit Feedback: Learning through Reparameterization [23.039885534575966]
  行動予測は、データの分布自体がモデルの展開に応じて変化する社会予測を研究するためのフレームワークである。 本研究では,実行予測目標をデータ分散関数として再パラメータ化する再パラメータ化を開発する。
  論文  参考訳（メタデータ） (2023-05-01T21:31:29Z)
• Regret-Optimal Filtering [57.51328978669528]
  後悔最適化レンズによる線形状態空間モデルにおけるフィルタの問題を検討する。 我々は, 透視推定器の誤差エネルギー推定における後悔の概念に基づいて, フィルタ設計のための新しい基準を定式化する。 3つのリッキー方程式と1つのリャプノフ方程式を解くことで、後悔と最適推定が容易に実現できることを示す。
  論文  参考訳（メタデータ） (2021-01-25T19:06:52Z)
• Fast Rates for Contextual Linear Optimization [52.39202699484225]
  提案手法は, 下流決定性能を直接最適化する手法よりもはるかに高速な, 後悔の収束率を実現する。 予測モデルは、既存のツールを使ったトレーニングが簡単かつ高速で、解釈が簡単で、私たちが示しているように、非常にうまく機能する決定につながる。
  論文  参考訳（メタデータ） (2020-11-05T18:43:59Z)

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。