二元分类中对抗训练的一致性

Natalie S. Frank; Jonathan Niles-Weed

二元分类中对抗训练的一致性

机器学习 2023-05-18 v2 统计理论统计理论

作者: Natalie S. Frank , Jonathan Niles-Weed

摘要

对对抗扰动的鲁棒性是现代机器学习中至关重要的关切。训练鲁棒分类器的最先进方法之一是对抗训练，它涉及最小化一个基于上确界的代理风险。代理风险的统计一致性在标准机器学习的背景下已被充分理解，但在对抗环境中则不然。在本文中，我们刻画了在二元分类中，对于关于勒贝格测度绝对连续的分布，哪些基于上确界的代理风险是一致的。此外，我们得到了将对抗代理风险与对抗分类风险联系起来的定量界限。最后，我们讨论了对对抗训练 $\cH$ -一致性的启示。

关键词

对抗训练统计一致性二元分类代理风险基于上确界的代理对抗鲁棒性 H-一致性

引用

@article{arxiv.2206.09099,
  title  = {The Consistency of Adversarial Training for Binary Classification},
  author = {Natalie S. Frank and Jonathan Niles-Weed},
  journal= {arXiv preprint arXiv:2206.09099},
  year   = {2023}
}

备注

There was an error in the main theorem of the paper (Theorem 7)

二元分类中对抗训练的一致性

摘要

关键词

引用

备注

相关论文