基于 Wasserstein 模糊集的分布鲁棒对抗分类
机器学习
2021-11-05 v4 最优化与控制
机器学习
摘要
我们研究了一种基于分布鲁棒机会约束的对抗分类模型。我们证明,在 Wasserstein 模糊集下,该模型旨在最小化误分类距离的条件风险价值(conditional value-at-risk),并探讨了其与早先提出的对抗分类模型以及最大间隔分类器的联系。我们还给出了线性分类的分布鲁棒模型的重构,并证明它等价于最小化一个正则化的斜坡损失(ramp loss)目标。数值实验表明,尽管该表述是非凸的,标准下降方法似乎能收敛到该问题的全局极小点。受此观察启发,我们证明,对于某类分布,正则化斜坡损失最小化问题的唯一驻点即为全局极小点。
引用
@article{arxiv.2005.13815,
title = {Adversarial Classification via Distributional Robustness with Wasserstein Ambiguity},
author = {Nam Ho-Nguyen and Stephen J. Wright},
journal= {arXiv preprint arXiv:2005.13815},
year = {2021}
}
备注
32 pages