粗糙随机性及其应用
本文考虑攻击者是否可以只利用制造机器学习模型所依赖的随机性来破坏模型的安全性, 发现攻击者能够利用 Randomised Smoothing,一种用于提高模型抵抗对抗性攻击和量化不确定性的方法,背后基于对高斯噪声采样,来进行欺骗性认证,而且攻击只需要更改极小的随机数。因此,作者提出更新 NIST 的随机数测试准则,以使其更适用于安全和关键性的机器学习应用。
Jun, 2023
本研究旨在通过将 Shannon 熵与粗糙集理论相结合,提供一种创新的方法来推广机器学习评估方法。该综合框架将粗糙集理论的粒度与 Shannon 熵的不确定性量化相结合,应用于一系列机器学习算法,旨在不仅评估预测性能,还揭示数据的内在结构和模型的鲁棒性。通过在各种数据集上进行严格测试,结果表明了该综合方法在增强机器学习评估中的实用性,提供了一个多方位的视角,平衡了准确性与对数据属性和模型动态的深入理解。该论文为机器学习评估提出了一种开创性的观点,提出了一种概括模型性能整体视图的方法,从而在模型选择和应用中促进更明智的决策。
Apr, 2024
模糊粗糙规则诱导(FRRI)是一种能够生成精确而又简短规则集的新型规则诱导算法,通过将模糊和粗糙集理论结合,提供了对机器学习中解释性问题的一种解决方案。
Mar, 2024
本文从随机性的定义出发,从应用的角度分析随机算法的结果,探讨了随机性的源和性质,发现了无限和随机性之间的关系,并从系统交互的角度总结了随机性的属性,即由随机生成的序列组成的集合具有渐进完备性质,最后强调了随机性在人工智能研究中的重要性。
Nov, 2022
本文提出了一种新的稀有性和随机性评估模型,其认为直觉随机性是结构复杂性的功能,并可以在不考虑备选项集的情况下分配事件的概率。此模型在 Lottery 序列上进行了测试,并与实验者的偏好进行比较。
Aug, 2011
在这篇论文中,我们讨论了如何利用机器学习在自然科学中获得严谨性,通过猜想生成或通过强化学习进行验证,可以使用非严谨的方法得到严谨的结果。我们还描述了受神经网络理论启发的场论新方法,以及通过神经网络梯度下降诱导的黎曼度量流理论,其中包含了 Perelman 的黎曼流公式,该公式用于解决 3D Poincaré 猜想。
Feb, 2024
本文提出了一种关于认知随机模糊集的普遍理论,用于处理模糊或清晰证据,并通过广义的乘积交集规则进行独立认知随机模糊集的组合,提出了用于量化标量或矢量量,即高斯随机模糊数和多维高斯随机模糊向量的实用模型,并为组合、投影和平凡扩展推导了高斯随机模糊数和向量的公式。
Feb, 2022
本文详细介绍了随机矩阵算法理论的最新进展以及这些思想在大规模数据分析实际问题求解中的应用,重点放在一些简单的核心思想上,这些思想不仅支撑了最近的理论发展,也使得这些工具在大规模数据应用中非常有用;本文特别关注了统计上的杠杆作用这一概念,它不仅可以用于识别异常值,而且还可以帮助开发更好的矩阵算法,这些方法可以解决诸如线性最小二乘问题和低秩矩阵逼近问题。与之前最佳确定性算法相比,最终得到的随机算法的最坏运行时间渐近更快;它们的数值实现在时间上更快;或者它们可以在现有数值算法无法运行的并行计算环境中运行。
Apr, 2011
在广义粗糙集中,将两个事物结合形成另一个事物并不简单。本研究创造了结合事物的代数模型,用于研究人类推理中的怀疑主义或悲观主义聚合以及可能性聚合,并且选择的运算受到了视角的限制。该模型还适用于研究人类推理中的歧视性 / 有害行为以及学习此类行为的机器学习算法。
Aug, 2023