文件大小：5.71 MB 20页
稳健性不应与准确性成正比
作者
鲁思·厄纳 
-
部分： 体积： 第三届负责任计算基础研讨会（FORC 2022）
系列： 莱布尼茨国际信息学会议录（LIPIcs）
会议： 负责任计算基础研讨会（FORC） 许可证： 
Creative Commons Attribution 4.0国际许可 出版日期：2022-07-15
文件
文件标识符
作者详细信息
致谢
引用为 获取BibTex
摘要
主题分类
ACM科目分类
计算理论→机器学习理论
关键词
统计学习理论 贝叶斯最优分类器 对抗性扰动 自适应鲁棒损失
韵律学
-
访问统计信息 总访问次数（每周更新） 0 PDF下载
工具书类
-
纳维德·阿赫塔（Naveed Akhtar）和阿杰马尔·棉恩（Ajmal Mian）。 对抗性攻击对计算机视觉深度学习的威胁：一项调查。 IEEE接入，6:14410-144302018。 
-
哈桑·阿什蒂亚尼（Hassan Ashtiani）、维纳亚克·巴沙克（Vinayak Pathak）和鲁斯·乌纳（Ruth Urner）。 对抗干扰下的黑匣子认证和学习。 第37届国际机器学习会议论文集，ICML 2020，2020。
-
Idan Attias、Aryeh Kontorovich和Yishay Mansour。 改进了鲁棒学习的泛化界限。 《算法学习理论》，ALT，第162-183页，2019年。
-
Pranjal Awasthi、Abhratanu Dutta和Aravindan Vijayaraghavan。 关于对抗性示例和多项式优化的鲁棒性。 《神经信息处理系统进展》，NeurIPS，第13760-13770页，2019年。
-
约格什·巴拉吉（Yogesh Balaji）、汤姆·戈尔茨坦（Tom Goldstein）和朱迪·霍夫曼（Judy Hoffman）。 实例自适应对抗训练：改进神经网络中的精度权衡。 CoRR，abs/1910.080512019年。 网址： http://arxiv.org/abs/1910.08051 . -
Robi Bhattacharjee和Kamalika Chaudhuri。非参数方法何时稳健？ 第37届国际机器学习会议论文集，ICML 2020，2020。
-
Robi Bhattacharjee和Kamalika Chaudhuri。自适应鲁棒性的一致非参数方法。 CoRR，abs/2102.090862021。 网址： http://arxiv.org/abs/1202.09086 . -
塞巴斯蒂安·布贝克（Sébastien Bubeck）、尹达·李（Yin Tat Lee）、埃里克·普莱斯（Eric Price）和伊利亚·拉森什坦（Ilya P.Razenshteyn）。 来自计算约束的对抗性示例。 第36届国际机器学习会议记录，ICML，第831-840页，2019年。
-
尼古拉斯·卡里尼（Nicholas Carlini）、阿尼什·阿塔利（Anish Athalye）、尼古拉斯·帕普诺特（Nicolas Papernot）、维兰德·布伦德尔（Wieland Brendel）、乔纳斯·劳贝尔（Jonas Rauber）、迪米特里斯·齐普拉斯（Dimitris Tsipras）、伊恩·古德费罗（I。 评估对抗性稳健性。 CoRR，abs/1902.067052019年。 网址： http://arxiv.org/abs/1902.06705 . -
阿尼尔班·查克拉博蒂（Anirban Chakraborty）、玛娜尔·阿拉姆（Manaar Alam）、维沙尔·戴伊（Vishal Dey）、阿努帕姆·查托帕迪亚（Anupam Chattopadhyay）和德布迪德·穆霍帕迪亚。 对抗性攻击和防御：一项调查。 CoRR，abs/1810.000692018年。 网址： http://arxiv.org/abs/1810.00069 . -
卡马利卡·乔杜里（Kamalika Chaudhuri）和桑乔伊·达斯古普塔（Sanjoy Dasgupta）。 最近邻分类的收敛速度。 《神经信息处理系统进展》，NIPS，第3437-3445页，2014年。
-
Jeremy M.Cohen、Elan Rosenfeld和J.Zico Kolter。 通过随机平滑验证对抗鲁棒性。 第36届国际机器学习会议论文集，ICML，第1310-1320页，2019年。
-
Daniel Cullina、Arjun Nitin Bhagoji和Pratek Mittal。 在对手面前学习速度。 《神经信息处理系统进展》，NeurIPS，第230-241页，2018。
-
丁伟光（Gavin Weiguang Ding）、亚什·夏尔玛（Yash Sharma）、刘克立（Kry Yik Chau Lui）和黄瑞彤（Ruitong Huang）。 MMA训练：通过对抗训练实现直接输入空间裕度最大化。 在第八届国际学习代表大会上，ICLR，2020年。
-
迪米特里奥斯·迪奥奇诺斯（Dimitrios Diochnos）、赛义德·马卢吉法尔（Saeed Mahloujifar）和穆罕默德·马穆迪（Mohammad Mahmoody）。 对手风险和稳健性：统一分布的一般定义和含义。 神经信息处理系统进展31，NeurIPS，第10359-10368页，2018年。
-
乌列尔·菲戈（Uriel Feige）、伊莎·曼苏尔（Yishay Mansour）和罗伯特·夏皮雷（Robert Schapire）。 在存在损坏输入的情况下进行学习和推理。 COLT学习理论会议，第637-657页，2015年。
-
Yarin Gal和Lewis Smith。 理想化模型没有对抗性示例的充分条件：贝叶斯神经网络的理论和实证研究，2018年。 网址： http://arxiv.org/abs/1806.00667 . -
伊恩·古德费罗（Ian J.Goodfellow）、帕特里克·D·麦克丹尼尔（Patrick D.McDaniel）和尼古拉斯·帕普诺特（Nicolas Papernot）。 使机器学习对敌对输入具有鲁棒性。 Commun公司。 ACM，61（7）：56-662018年。
-
Pascale Gourdeau、Varun Kanade、Marta Kwiatkowska和James Worrell。 关于稳健分类的难度。 《神经信息处理系统进展》32，NeurIPS，第7444-74532019页。
-
黄瑞彤、徐冰、戴尔·舒尔曼斯和Csaba Szepesvari。与强大的对手一起学习。 CoRR，abs/1511.030342015年。 网址： http://arxiv.org/abs/1511.03034 . -
Andrew Ilyas、Shibani Santurkar、Dimitris Tsipras、Logan Engstrom、Brandon Tran和Aleksander Madry。 相反的例子不是错误，而是特性。 《神经信息处理系统进展》32:NeurIPS，第125-136页，2019年。
-
马克·库里和迪伦·哈德菲尔德-梅内尔。 沃罗诺伊约束下的对抗训练。 CoRR，abs/1905.010192019年。 网址： http://arxiv.org/abs/1905.01019 . -
萨默里·科波图夫。 k-nn回归适用于局部内在维数。 《神经信息处理系统进展》，NIPS，第729-737页，2011年。
-
Aleksander Madry、Aleksandar Makelov、Ludwig Schmidt、Dimitris Tsipras和Adrian Vladu。 面向抗对抗性攻击的深度学习模型。 在2018年ICLR第六届国际学习代表大会上。
-
奥马尔·蒙塔塞尔（Omar Montasser）、苏尔比·戈尔（Surbhi Goel）、伊利亚斯·迪亚科尼科拉斯（Ilias Diakonikolas）和内森·斯雷布罗（Nathan Srebro）。 有效地学习带有噪声的对抗性鲁棒半空间。 arXiv预印本，2020年。 网址： http://arxiv.org/abs/2005.07652 . -
Omar Montasser、Steve Hanneke和Nathan Srebro。 VC类具有强大的可学习性，但只是不恰当。 在COLT学习理论会议上，第2512-2530页，2019年。
-
秦崇礼（Chongli Qin）、詹姆斯·马滕斯（James Martens）、斯文·戈沃尔（Sven Gowal）、迪利普·克里希南（Dilip Krishnan）、克里希纳穆西·德维约坦（Krishnamurthy Dvijotham）、阿尔胡塞因·法齐（Alhussein Fawzi）、索哈姆·德。 通过局部线性化实现对抗鲁棒性。 神经信息处理系统进展32，NeurIPS，第13824-138332019页。
-
哈迪·萨勒曼（Hadi Salman）、杰里·李（Jerry Li）、伊利亚·拉森什坦（Ilya P.Razenshteyn）、张鹏川（Pengchuan Zhang）、张欢（Huan Zhang）、塞巴斯蒂安·布贝克（Sébastien Bubeck）。 通过经过对手训练的平滑分类器进行显著稳健的深度学习。 《神经信息处理系统进展》32，NeurIPS，第11289-11300页，2019年。
-
路德维希·施密特（Ludwig Schmidt）、什巴尼·桑图卡尔（Shibani Santurkar）、迪米特里斯·齐普拉斯（Dimitris Tsipras）、库纳尔·塔尔瓦尔（Kunal Talwar）和亚历山大·马德里（Aleksander Madry）。 对抗性稳健泛化需要更多数据。 《神经信息处理系统进展》，NeurIPS，第5014-5026页，2018年。
-
Shai Shalev-Shwartz和Shai Ben-David。 理解机器学习：从理论到算法。 剑桥大学出版社，2014年。
-
英戈·斯坦沃特和克林特·斯科维尔。 使用高斯核的支持向量机的快速速率。 《统计年鉴》，35（2）：575-6072007。
-
Christian Szegedy、Wojciech Zaremba、Ilya Sutskever、Joan Bruna、Dumitru Erhan、Ian J.Goodfellow和Rob Fergus。 神经网络的有趣特性。 2014年，在ICLR第二届国际学习代表大会上。
-
迪米特里斯·齐普拉斯（Dimitris Tsipras）、什巴尼·桑图卡尔（Shibani Santurkar）、洛根·恩斯特罗姆（Logan Engstrom）、亚历山大·特纳（Alexander Turner）和亚历山大·马德里（Aleksander Madry）。 稳健性可能与准确性不一致。 2019年，在ICLR第七届国际学习代表大会上。
-
鲁思·厄纳（Ruth Urner）、莎伦·伍尔夫（Sharon Wulff）和谢本·达维德（Shai Ben-David）。 PLAL：基于集群的主动学习。 在COLT 2013-第26届学习理论年会，第376-3972013页。
-
王毅珍、萨默什·贾阿和卡马利卡·乔杜里。分析最近邻对敌对示例的鲁棒性。 《第35届国际机器学习会议记录》，ICML，第5120-5129页，2018年。
-
杨焕瑞、张晶驰、程新派、王文翰、陈依然和李海。竹子：球形数据增强，对抗来自各个方向的敌对攻击。 2019年人工智能安全研讨会与2019年第三十三届AAAI人工智能会议同期举行。
-
Yao-Yuan Yang、Cyrus Rashtchian、Yizhen Wang和Kamalika Chaudhuri。非参数方法的对抗示例：攻击、防御和大样本限制。 CoRR，abs/1906.03312019年。 网址： http://arxiv.org/abs/1906.03310 . -
Yao-Yuan Yang、Cyrus Rashtchian、Yizhen Wang和Kamalika Chaudhuri。非参数分类的鲁棒性：通用攻击和防御。 第23届国际人工智能与统计会议，AISTATS，第941-951页，2020年。
-
Yao-Yuan Yang、Cyrus Rashtchian、Hongyang Zhang、Russ R.Salakhutdinov和Kamalika Chaudhuri。准确度与稳健性的比较。 神经信息处理系统进展33 NeurIPS，2020。
-
Dong Yin、Kannan Ramchandran和Peter L.Bartlett。 对抗性稳健泛化的Rademacher复杂性。 第36届国际机器学习会议记录，ICML，第7085-7094页，2019年。
-
余杭、刘爱山、刘祥龙、李耿超、罗萍、冉成、杨继晨和张崇志。 Pda：深度神经网络一般鲁棒性的渐进数据增强，2020年。 网址： http://arxiv.org/abs/1909.04839 . -
张洪阳、余耀东、焦建涛、埃里克·P·星、劳伦特·埃尔·加维和迈克尔·乔丹。 在理论上权衡稳健性和准确性。 第36届国际机器学习会议记录，ICML，第7472-74822019页。