对有限数量特征被敌手破坏具有鲁棒性的子空间方法
机器学习
2019-07-30 v2 人工智能
机器学习
摘要
在本文中，我们考虑批量监督学习，其中允许敌手以任意大的噪声破坏实例。敌手被允许破坏每个实例中的任意 个特征，并且可以以任何方式改变它们的值。该噪声被引入到测试实例上，且算法对这些实例不接收任何标签反馈。我们提供了几种可用于转换现有算法的子空间投票技术，并在该设定下证明了数据相关的性能界。我们结果的关键见解是，我们设定参数使得显著一部分投票假设不包含被破坏的特征，并且对于许多现实世界问题，这些未破坏的假设足以实现高准确率。我们在多个数据集上实证验证了我们的方法，包括三个处理侧信道电磁信息的新数据集。
引用
@article{arxiv.1902.07280,
title = {Subspace Methods That Are Resistant to a Limited Number of Features Corrupted by an Adversary},
author = {Chris Mesterharm and Rauf Izmailov and Scott Alexander and Simon Tsang},
journal= {arXiv preprint arXiv:1902.07280},
year = {2019}
}