对抗环境下的布隆过滤器
本文介绍了一种高效的数据结构 -- 布隆过滤器,它可以在 remote storage 等场景中高效的进行 approximate membership query, 并通过 adaptive AMQs 保证了 false-positive probability 的可控性。
Nov, 2017
本文研究了基于机器学习的预处理器对 Bloom 过滤器的增强,并提出了一种优化学习到的布隆过滤器性能的方法,最终提出了一种设计和分析方法来定义 learned Bloomier filter。
Jan, 2019
本文探讨通过元学习一次性实现近似集合成员关系的学习,提出了一种新的记忆体架构,神经布隆过滤器(Neural Bloom Filter)可以在经典布隆过滤器和现有的内存增强神经网络上实现显著的压缩增益。
Jun, 2019
提出一种用于设计、分析和实现 “Learned Bloom Filters” 的新方法,并结合分类器和数据集进行了性能评估,我们的实验表明,这种方法和软件可以有效地帮助确定最佳的分类器和最适合不同数据复杂度问题的 “Learned Bloom Filters” 的类型。
Nov, 2022
我们在最近的工作中(Bubeck,Price,Razenshteyn, arXiv:1805.10204)指出,机器学习中的对抗性例子可能是由于问题固有的计算难度造成的。更确切地说,我们构建了一个二元分类任务,其中(i)存在强大的鲁棒分类器;但在(ii)统计查询模型中无法使用有效算法获得任何非平凡的准确性。在本文中,我们显着加强了(i)和(ii):我们现在构建了一个任务,该任务允许(i')最大限度地鲁棒的分类器(即它可以容忍与示例本身大小相当的扰动);此外,我们证明了在(ii')标准加密假设下学习此任务的计算困难性。
Nov, 2018
本文采用博弈论视角研究分类器对抗攻击的鲁棒性,证明了在确定性情况下不存在一个能保证最优鲁棒性的纳什均衡点,并提出了采用随机化方法构建具有鲁棒性的分类器的算法,实验结果验证了该方法的有效性。
Feb, 2020