深度学习中可验证准确性、鲁棒性与泛化的边界
机器学习
2024-11-22 v2
摘要
在这项工作中，我们评估了在确定分类任务中神经网络的保证稳定性与准确性方面的理论局限。我们考虑经典的与分布无关框架，以及最小化经验风险并可能经受某些权重正则化的算法。我们表明，存在一大类任务，在上述设定下计算和验证理想的稳定且准确的神经网络极为困难，甚至不可能，即便此类理想解存在于给定神经网络架构类中。
引用
@article{arxiv.2309.07072,
title = {The Boundaries of Verifiable Accuracy, Robustness, and Generalisation in Deep Learning},
author = {Alexander Bastounis and Alexander N. Gorban and Anders C. Hansen and Desmond J. Higham and Danil Prokhorov and Oliver Sutton and Ivan Y. Tyukin and Qinghua Zhou},
journal= {arXiv preprint arXiv:2309.07072},
year = {2024}
}
备注
Revised version of the original submission