基于随机平滑的数据中毒防御有多强健？
抽象的
可证明可靠的分类器的预测在一个点附近保持不变，从而使它们在保证测试时间的情况下具有弹性。 在这项工作中，我们提出了对健壮的机器学习模型的前所未有的威胁，突显了训练数据质量在实现高认证健壮性方面的重要性。 具体而言，我们提出了一种基于双层优化的新型数据中毒攻击，该攻击会降低可证明的鲁棒分类器的鲁棒性保证。 与其他数据中毒攻击会降低一小组目标点上的中毒模型的准确性不同，我们的攻击会减少数据集中整个目标类的平均认证半径。 此外，即使受害者使用最新的健壮训练方法（例如， 和从头开始训练模型，我们的攻击也是有效的。 为了使攻击更难检测，我们使用带有明显较小失真的干净标签中毒点。 通过中毒MNIST和CIFAR10数据集并使用前面提到的鲁棒训练方法训练深度神经网络，并使用随机平滑验证其鲁棒性，来评估所提出方法的有效性。 对于使用这些强大的训练方法训练的模型
2023-01-06 00:09:13
57KB
1
许多随机动态程序 (DP) 具有弱耦合结构，因为每个周期中的一组链接约束耦合了原本独立的子问题集合。 此类问题的两个广泛研究的近似是近似线性规划 (ALP)，它涉及优化在子问题之间相加分离的值函数近似，以及拉格朗日松弛，其中涉及放宽链接约束。 众所周知，这两种近似都提供了所有状态下最优值函数的上限，而 ALP 在初始状态下提供了更严格的上限。 这篇短文的目的是为这些上限即使不相同也常常接近这一事实提供理论依据。 我们表明： (i) 对于任何弱耦合 DP，这两个上限之间的差异 --- 松弛间隙 --- 根据 ALP 内约束分离问题的完整性间隙从上方有界； (ii) 如果子问题奖励是统一有界的，并且链接约束上的一些广泛适用的条件成立，则松弛间隙由与子问题数量无关的常数从上方限定； (iii) 当子问题动作是二元的并且链接约束具有单模结构时，松弛间隙为零。 (iii) 的条件在几个广泛研究的问题中成立：不安分的强盗问题、在线随机匹配问题、网络收入管理问题和重新定位资源的价格导向控制。 这些发现概括并统一了现有的结果。
2023-01-05 11:41:41
497KB
1
针对现有剩余寿命预测研究中需要多个同类设备历史数据离线估计模型参数的问题，本文提出了一种基于退化数据建模的服役设备剩余寿命自适应预测方法． 该方法，利用指数随机退化模型来建模设备的退化过程，基于退化监测数据运用Bayesian 方法更新模型的随机参数，进而得到剩余寿命的概率分布函数及点估计． 区别于现有方法，本文方法基于设备到当前时刻的监测数据，利用期望最大化算法对模型中的非随机未知参数进行在线估计，由此.无需多个同类设备历史数据． 最后，通过数值仿真与实例分析，验证了本文方法在剩余寿命预测时的有效性．
2023-01-04 16:58:13
1.33MB
1
统计图 条形图 柱状图 折线图 数量统计 matplotlib sklearn jupyter notebook 人工智能实验 数据集
2023-01-04 15:28:16
47KB
1
# 购房贷款违约预测
### 数据集说明
训练集 train.csv
```python
# train_data can be read as a DataFrame
# for example
import pandas as pd
df = pd.read_csv('train.csv')
print(df.iloc[0]) # list of 51 features and one label
```
测试集 test.csv
```python
# test_data can be read as a DataFrame
# for example
import pandas as pd
df = pd.read_csv('test.csv')
print(df.iloc[0]) # list of 51 features
```
测试集标签文件 test_label.txt，格式如下
```txt
1
0
1
1
...
...
```
其中训练集12万条，测试集3万条。
包括准确率计算 sklearn jupyter
2023-01-04 15:28:15
15KB
1
哈工大随机信号分析实验报告.pdf哈工大随机信号分析实验报告.pdf哈工大随机信号分析实验报告.pdf哈工大随机信号分析实验报告.pdf哈工大随机信号分析实验报告.pdf
2023-01-04 14:21:57
1007KB
1
LogisticRegression
多元逻辑斯蒂回归，并实现随机梯度下降和L1/L2正则化项。
参照
在此基础上加入L1和L2 Regularization；关于逻辑斯蒂回归中的L1和L2正则化项详见以下两个链接:
并对输入格式进行泛化，例如可以对“Sun Weather=rainy:1 Temperature=hot:1 ...”格式进行分类
2023-01-03 10:53:57
373KB
1
GraphGenerator
根据随机网络和无标度网络模型的图形生成器。
介绍
应用程序接口明显分为两部分：一个是根据随机网络模型生成图（根据Erdos-Renyi），另一个是生成无标度图（根据Barabasi-Albert模型）。
随机网络（Erdos-Renyi）
随机网络是在完全随机的过程之后创建两个节点之间的每个链接的网络。 有多种方法可以实现此模型，其中最著名的是Erdos-Renyi的方法。 根据该模型，选择每对节点，并以概率p链接（或不链接）它们，这对于整个网络是相同的。
要根据此模型生成图形，需要两个参数：
图中的节点总数。 它必须是一个大于0的值。
在任何两个节点之间生成链接的可能性。 它必须是介于0.0和1.0之间的值。
无标度网络（Barabasi-Albert）
无标度网络是其度分布遵循潜在定律的网络。 与随机变量相比，它的主要区别在于该模型考虑了集线器
2023-01-02 20:28:40
207KB
1