χ^2-divergence
PulseAugur coverage of χ^2-divergence — every cluster mentioning χ^2-divergence across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新公式校准差分隐私随机梯度下降噪声以对抗成员推断攻击
研究人员开发了一种新的闭式公式，用于校准差分隐私随机梯度下降（DP-SGD）的噪声水平。DP-SGD 是一种通过向梯度添加噪声来保护训练数据的方法。该公式特别适用于具有随机分配的 DP-SGD，其中每个记录在每个 epoch 中随机使用一次。推导出的公式提供了对使用此方法训练的模型的成员推断攻击（MIA）准确度的上限，与传统的数值隐私会计方法相比，提供了一种更有效的方法来确定必要的噪声乘数。
-
新方法量化生成模型分类器的鲁棒性
研究人员开发了一种新的通用方法来量化朴素贝叶斯分类器和生成森林所做预测的鲁棒性。该方法测量分类器的基础分布在预测发生变化之前可以改变多少，重点关注 ε-污染、总变差距离和卡方散度等扰动。研究表明，这些鲁棒性值可以作为预测可信度的指标，并与现有的可信度指标进行了比较。
-
新的降维方法评估系统代数而非范围
研究人员推出了一种新的动力学系统降维方法，解决了标准谱方法存在的局限性。该方法通过评估坐标生成的西格玛代数而非仅评估其范围，可以有效地模拟具有弱相互作用组件的复杂系统，而这些组件常常被基于秩的方法所忽略。这种代数评估方法提供了预算保证，并在从有限标签中恢复被遮盖的组件和实现预测方面取得了成功，在基准系统上表现优于传统的VAMP分数。
-
新研究探讨Cressie--Read散度下的鲁棒PAC学习
研究人员发表了一篇论文，详细介绍了分布鲁棒PAC学习的样本复杂度，特别关注Cressie--Read散度。该研究为具有VC维的假设类建立了新的界限，展示了对抗性扰动如何影响学习率。研究结果揭示了统计误差估计与鲁棒性放大之间复杂的相互作用，尤其是在agnostic学习的情况下。