决策树的遗传对抗训练
机器学习
2020-12-22 v1
摘要
我们提出一种基于遗传算法的决策树集成新颖学习方法,能够训练决策树以同时最大化其准确率与对对抗扰动的鲁棒性。该学习算法内部利用了基于抽象解释(一种著名的静态程序分析技术)的决策树鲁棒性性质完整形式化验证技术。我们在名为 Meta-Silvae (MS) 的工具中实现了该遗传对抗训练算法,并在对抗训练的一些参考数据集上进行了实验评估。实验结果表明,MS 能够训练出与当前决策树对抗训练最优水平相当且常优于之的鲁棒模型,同时模型更为紧凑,因而具备可解释性与高效性。
引用
@article{arxiv.2012.11352,
title = {Genetic Adversarial Training of Decision Trees},
author = {Francesco Ranzato and Marco Zanella},
journal= {arXiv preprint arXiv:2012.11352},
year = {2020}
}