缺失数据上的朴素贝叶斯分类器：决策与投毒
机器学习
2024-05-29 v2 数据库
摘要
我们研究机器学习分类器在可能含缺失值的脏数据集上的可证明鲁棒性。若无论分类器在脏数据集的哪个清洗版本（指数多个之一）上训练，其对某测试点均返回相同预测，则该测试点对该分类器是可证明鲁棒的。本文中，我们从理论上证明，对于含缺失值脏数据集上的朴素贝叶斯分类器（NBC）：(i) 存在高效的多项式时间算法，可判定多个输入测试点是否均在脏数据集上可证明鲁棒；且 (ii) 旨在通过向干净数据集插入缺失单元使所有输入测试点均变为可证明非鲁棒的数据投毒攻击，对单测试点是多项式时间，而对多测试点是 NP-complete。大量实验表明我们的算法高效且优于现有基线。
引用
@article{arxiv.2303.04811,
title = {Naive Bayes Classifiers over Missing Data: Decision and Poisoning},
author = {Song Bian and Xiating Ouyang and Zhiwei Fan and Paraschos Koutris},
journal= {arXiv preprint arXiv:2303.04811},
year = {2024}
}
备注
22 pages, 10 figures