对抗一致性与对抗贝叶斯分类器的唯一性
机器学习
2025-09-29 v3 统计理论
机器学习
统计理论
摘要
最小化对抗替代风险是学习鲁棒分类器的常用技术。先前工作表明凸替代损失在对抗上下文中不具有统计一致性——换句话说，对抗替代风险的最小化序列不一定最小化对抗分类误差。我们将对抗替代损失的一致性与对抗分类风险的最小化器（称为对抗贝叶斯分类器）的性质联系起来。具体地，在合理的分布假设下，凸替代损失对于对抗学习是统计一致的当且仅当对抗贝叶斯分类器满足某种唯一性概念。
引用
@article{arxiv.2404.17358,
title = {Adversarial Consistency and the Uniqueness of the Adversarial Bayes Classifier},
author = {Natalie S. Frank},
journal= {arXiv preprint arXiv:2404.17358},
year = {2025}
}
备注
2 figures, 20 pages, v2: fixed typos, v3: improved organization of paper and added figures