.png){kind=icon}
返回
Robust Information Selection for Hypothesis Testing with Misclassification Penalties
.png){kind=icon}
PRE
AI
DOI：10.1109/tac.2026.3729441.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们研究了贝叶斯假设检验/分类任务中鲁棒信息选择的问题，其目标是基于来自选定信息源的观测数据，从有限假设集中识别真实世界状态。我们引入了一种新颖的误分类惩罚框架，该框架能够对不同误分类事件进行非均匀处理。扩展了经典的子集选择框架，我们研究了在有限预算下选择一组信息源以最小化误分类最大惩罚的问题，即使部分选定的信息源发生删除或失效。我们分析了目标函数的曲率特性，并提出了一种具有性能保证的高效贪心算法。接着，我们指出了优化最大惩罚指标存在的局限性，并提出了一种具有有利特性的替代指标，以指导信息集的选择。我们提出了一种具有近最优性保证的鲁棒贪心算法，用于优化该替代指标。最后，我们在多个问题实例中实证验证了我们提出算法的性能。
Keyword:
Information Selection
Adversarial Robustness
Non-Submodular Optimization
Greedy Algorithms
