学习单调性对抗性损坏下的学习
机器学习
2026-01-06 v1 数据结构与算法
机器学习
摘要
我们研究标准机器学习算法在何种程度上依赖于数据交换性和独立性，通过引入单调性对抗性损坏模型来进行探讨。在该模型中，一个拥有视野的对手会查看一个“干净”的独立同分布数据集，然后插入额外的“损坏”数据点。这些添加的数据点受到单调性损坏约束，即它们的标签依据真实目标函数而决定。或许出乎意料的是，我们展示在这种设置下，所有已知的最优二分类学习算法都可以被迫在新抽取的独立测试点上实现次优的预期错误。在另一方面，我们表明，基于统一收敛的算法不会在保证方面出现退化。我们的结果展示了在面对看似有帮助的单调性损坏时，最优学习算法如何失效，从而暴露了其对交换性的过度依赖。
引用
@article{arxiv.2601.02193,
title = {Learning with Monotone Adversarial Corruptions},
author = {Kasper Green Larsen and Chirag Pabbaraju and Abhishek Shetty},
journal= {arXiv preprint arXiv:2601.02193},
year = {2026}
}