.png){kind=icon}
返回
Simultaneous Robustness and Generalization Using Nearest Neighbor Classifiers
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-05060-1_8.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
尽管现代机器学习的关注点大多集中在准确率提升上，但在失败案例方面的研究仍有广阔空间。对抗样本现象以最显著的方式表明了我们模型行为的脆弱性。对抗样本并非深度学习独有，其他机器学习方法同样可能出现。自从它们流行以来，文献中已提出了大量攻击和防御方法，用于生成对抗样本并保护模型免受其影响。在此背景下，已有研究表明，对抗样本的鲁棒性与泛化能力之间存在普遍的权衡关系：使模型更鲁棒于对抗样本会导致其在标准测试集上的泛化能力下降。这一现象已被多种方式（理论和实证）观察到，以至于多位作者认为这种权衡是不可避免的。在本工作中，我们使用最近邻方法证明，算法可以同时实现最优泛化能力和鲁棒性，表明在那种情况下权衡并非不可避免。
Keyword:
Adversarial examples
Nearest Neighbors
期刊
C
IF:
0
论文数:
32
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏The MNIST Database of Handwritten Digit Images for Machine Learning Research [Best of the Web]用于机器学习研究的手写数字图像MNIST数据库 [Best of The Web]
PREAI
分享收藏 没有更多内容
没有更多内容