ROBUST MACHINE LEARNING USING SUPERQUANTILES
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The proliferation of machine learning in image recognition and natural language processing applications comes with increasing risk of adversarial attacks. Such attacks can potentially spoof automated detection systems in our drones or defeat facial recognition systems and bypass automated security systems. Typical defense techniques involve long training times, which would not be viable in an operational setting. The thesis utilizes a novel superquantile-based formulation to train machine learning systems to make them more robust to noise and adversarial attacks, while incurring less training costs compared to typical adversarial training techniques. The concept is explored in the context of support vector machines and achieves similar results as in the case of L1-regularization models. Subsequently, the concept is developed for neural network training with robustness tests on commonly referenced Modified National Institute of Standards and Technology (MNIST) and Canadian Institute for Advanced Research–10 classes (CIFAR-10) datasets. The test results demonstrate robustness against random noise perturbations and benchmark against typical adversarial training shows comparable results. This initial excursion into superquantile training sets the foundation for further exploration into improving machine learning robustness within less computation time.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,006 | 0,005 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| Bibliométrie | 0,002 | 0,006 |
| Études des sciences et des technologies | 0,015 | 0,004 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,010 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,021 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle