PulseAugur
中
实时 16:09:38

新的DR-IS方法提高了机器学习在对抗性标签损坏方面的鲁棒性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为不一致正则化重要性采样（DR-IS）的新型子采样方法，以提高机器学习在对抗性标签损坏方面的鲁棒性。该方法利用独立代理集成中损失排序的不一致性来识别和降低损坏数据点的权重。DR-IS在样本集中性和污染界限方面提供了理论保证，并在目标攻击下，实证上优于基于幅度的EL2N等方法。 AI

影响 通过提供一种鲁棒的方法来处理嘈杂或故意损坏的标签，增强了机器学习模型的可靠性。

排序理由 该集群包含一篇详细介绍机器学习鲁棒性新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 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DR-IS方法提高了机器学习在对抗性标签损坏方面的鲁棒性

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Prashant Singh ·

    Disagreement-Regularized Importance Sampling for Adversarial Label Corruption

    Standard Importance Sampling (IS) collapses under label corruption because high-norm examples, prioritized for variance reduction, are often adversarial outliers. We formalize this misalignment using an $\varepsilon$-contamination model and propose Disagreement-Regularized Import…

相关实体

相关话题