PulseAugur
中
实时 10:48:31

新的bagging方法在对抗鲁棒性方面提供指数级改进

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新的方法来学习在测试时对对抗性样本具有鲁棒性的预测器。该方法实现了VC维度的线性样本复杂度，比之前的界限有了指数级的改进。该算法结合了bagging（bootstrap aggregation）和鲁棒经验风险最小化（RERM），输出在bootstrap样本上计算的RERM的多数投票。一个互补的下界表明，在这种模型中，这种线性样本复杂度是不可避免的。 AI

影响 这项研究推进了对机器学习中对抗鲁棒性的理论理解，可能导致更安全的AI系统。

排序理由 该集群包含一篇详细介绍具有理论保证的新算法方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的bagging方法在对抗鲁棒性方面提供指数级改进

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · Omar Montasser ·

    Bagging 稳健地学习 VC 类，具有线性样本复杂度

    arXiv:2608.13514v1 Announce Type: new Abstract: We revisit the problem of learning predictors robust to adversarial examples at test-time. We prove that VC classes are adversarially robustly learnable with sample complexity linear in the VC dimension $d$, providing an exponential…

相关实体

相关话题