論文の概要: Adversarial Robustness of Kernel Machines: A Comprehensive Analysis

• arxiv url: http://arxiv.org/abs/2611.07474v1
• Date: Thu, 05 Nov 2026 05:33:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.555689
• Title: Adversarial Robustness of Kernel Machines: A Comprehensive Analysis
• Title（参考訳）: カーネルマシンの対向ロバスト性:包括的解析
• Abstract要約: カーネルマシンは機械学習において重要なモデルのクラスである。 白箱・黒箱回避攻撃による二項・多クラス分類タスクにおけるカーネルベースモデルのロバスト性について検討した。
• 参考スコア（独自算出の注目度）: 1.9058565873092943
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Kernel machines are an important class of models in machine learning. However, the question of how robust modern kernel machines are to adversarial examples has not been studied comprehensively. In this paper, we provide a thorough empirical investigation of the adversarial robustness of kernel-based models for both binary and multiclass classification tasks, via white-box and black-box evasion attacks. We evaluate the native robustness of kernel machines, random feature classifiers, and the relatively newer Recursive Feature Machines. In addition, we provide an algorithm for approximate adversarial training of kernel machines. Our experiments on classification tasks on image and tabular datasets strongly indicate that kernel machines are natively more robust than neural networks, i.e., their performance degrades more gracefully against adversarial perturbations.
• Abstract（参考訳）: カーネルマシンは機械学習において重要なモデルのクラスである。 しかし、現代のカーネルマシンが敵の例に対してどれほど堅牢かという問題は包括的に研究されていない。 本稿では, カーネルベースモデルが, ホワイトボックスとブラックボックスの回避攻撃によって, バイナリクラスとマルチクラスの両方の分類タスクに対して, 対角的ロバスト性について, 徹底的に検討する。 カーネルマシンのネイティブなロバスト性、ランダムな特徴分類器、比較的新しい再帰的特徴マシンの評価を行う。 さらに,カーネルマシンの近似対角トレーニングのためのアルゴリズムを提案する。 画像および表データセット上の分類タスクの実験は、カーネルマシンがニューラルネットワークよりもネイティブに堅牢であることを示す。

関連論文リスト

• Fast and Scalable Multi-Kernel Encoder Classifier [4.178980693837599]
  提案手法は,高速でスケーラブルなカーネルマトリックスの埋め込みを容易にするとともに,複数のカーネルをシームレスに統合して学習プロセスを向上する。 我々の理論解析は、確率変数を用いたこのアプローチの集団レベルの特徴付けを提供する。
  論文  参考訳（メタデータ） (2024-06-04T10:34:40Z)
• A new trigonometric kernel function for SVM [0.0]
  本稿では,機械学習アルゴリズムのパラメータを1つ含む新しい三角関数を提案する。 また,カーネル-SVM法とカーネル-SVR法の実証評価を行い,その性能を実証した。
  論文  参考訳（メタデータ） (2022-10-16T17:10:52Z)
• Inducing Gaussian Process Networks [80.40892394020797]
  本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。 特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。 実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
  論文  参考訳（メタデータ） (2022-04-21T05:27:09Z)
• Generative Kernel Continual learning [117.79080100313722]
  本稿では、生成モデルとカーネル間の相乗効果を利用して連続学習を行う、生成カーネル連続学習を紹介する。 生成モデルは、カーネル学習のための代表サンプルを生成することができ、カーネル連続学習におけるメモリ依存を取り除くことができる。 コントリビューションの能力とメリットを示すために,広く利用されている3つの連続学習ベンチマークについて広範な実験を行った。
  論文  参考訳（メタデータ） (2021-12-26T16:02:10Z)
• Understanding of Kernels in CNN Models by Suppressing Irrelevant Visual Features in Images [55.60727570036073]
  畳み込みニューラルネットワーク(CNN)におけるカーネルの正確な解釈の欠如は、実際のシナリオにおけるディープラーニングモデルの広範な応用に対する大きな障害である。 CNNモデルにおける任意のカーネルの活性化を解釈するために、単純で効果的な最適化法を提案する。
  論文  参考訳（メタデータ） (2021-08-25T05:48:44Z)
• Kernel Continual Learning [117.79080100313722]
  カーネル連続学習は、破滅的な忘れ事に取り組むための、シンプルだが効果的な連続学習の変種である。 エピソードメモリユニットは、カーネルリッジ回帰に基づいてタスク固有の分類器を学ぶために、各タスクのサンプルのサブセットを格納する。 タスク毎にデータ駆動カーネルを学ぶための変動ランダム機能。
  論文  参考訳（メタデータ） (2021-07-12T22:09:30Z)
• Entangled Kernels -- Beyond Separability [10.381276986079865]
  演算子値カーネル学習の問題を考察し、よく知られた分離可能なカーネルを超える可能性を検討する。 演算子値カーネルに関する新たな見解を提案し,従来知られていた演算子値カーネルを包含する一般的なカーネルファミリーを定義する。 この枠組みでは、分離不能なエンタングルカーネルと呼ばれる演算子値カーネルの新たなクラスを導入する。
  論文  参考訳（メタデータ） (2021-01-14T09:18:02Z)
• Kernelized Classification in Deep Networks [49.47339560731506]
  本稿では,ディープネットワークのためのカーネル分類層を提案する。 訓練中のSoftmaxクロスエントロピー損失関数のカーネルトリックを用いて非線形分類層を提唱する。 提案する非線形分類層は,複数のデータセットやタスクに対して有用であることを示す。
  論文  参考訳（メタデータ） (2020-12-08T21:43:19Z)
• Quantum Multiple Kernel Learning [1.9116668545881028]
  カーネルメソッドは、その概念的単純さと優れたパフォーマンスのために、機械学習アプリケーションにおいて重要な役割を果たす。 カーネルマシンの表現性を高める1つのアプローチは、複数の個々のカーネルを組み合わせることである。 複数の量子カーネルを組み合わせた量子MKLを提案する。
  論文  参考訳（メタデータ） (2020-11-19T07:19:41Z)
• Towards automated kernel selection in machine learning systems: A SYCL case study [0.0]
  本稿では,ライブラリに高性能なSYCLカーネルをデプロイするケーススタディにおいて,機械学習を用いてカーネルの選択を行う。 自動チューニングと機械学習を組み合わせることで、これらのカーネル選択プロセスは、新しいハードウェアで高いパフォーマンスを達成するための開発者の努力をほとんど必要とせずにデプロイできる。
  論文  参考訳（メタデータ） (2020-03-15T11:23:36Z)

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。