- 关于在公平分类和表示中的随机化的力量
在监督和无监督公平机器学习中,公平分类和公平表示学习是两个重要问题。本文研究了在这两个问题中,随机化方法可以最小化由于公平约束引起的准确性损失,并提出了公平分类和公平表示的随机化解决方案,可以获得最优准确性且不引起准确性损失。
- 关于具有指数,亚高斯和一般轻尾的算法的高概率分析的注意事项
一种简单的技术用于分析依赖于轻尾(但不一定有界)随机化源的概率算法,该技术能将算法的分析减少,并转化为使用有界随机变量的同一算法的简化变体进行分析,同时适用于任何轻尾随机化,无需专门的集中不等式。
- WSAM: 从样式增强中产生的视觉解释作为对抗性攻击器及其在图像分类中的影响
本文提出了一种使用基于随机采样和噪音添加的样式增强算法,以改善一般线性变换的样式转移中的随机性,通过我们的增强策略,所有模型不仅在图像风格化方面表现出极高的鲁棒性,而且在 STL-10 数据集上超越了所有先前方法并超过了最先进的性能。同时, - AAAI对抗样本博弈中最优随机策略研究
本研究提出了一种基于新的概率分布空间的无限维连续时间流的算法 FRAT,利用游戏论模型中的混合纳什均衡来解决对抗样本攻击的优化策略问题,其模型灵活,能够高效更新权重和参数,并利用轻量级的采样子程序快速构建一个袭击者的随机策略,实验结果表明 - 为预训练语言模型重新思考文本对抗防御
针对预训练语言模型容易受到对抗攻击的问题,提出了一种基于异常检测和随机化的通用防御框架。该框架针对性不强,能够有效地弥补其他防御方法的不足,同时本研究也揭示了文本对抗攻击的本质,并提出了应该加强对谨慎攻击方法的研究。
- 机器人操作任务的强化学习中随机化效应对于 Sim2Real 转移的分析
本研究定义了一种易于重现的实验设置,用于比较四种随机化策略及三种随机参数在仿真和实验机器人上完成的任务。研究发现,完全随机生成仿真和精细调整策略可以更好地转移到现实机器人,并且比其他测试方法更有差异化的结果。
- Unity Perception:为计算机视觉生成合成数据
介绍了 Unity Perception 套件,通过提供易于使用和高度可自定义的工具集,简化和加速了生成计算机视觉任务的合成数据集的过程。提供一个可扩展的随机化框架,让用户能够快速构建和配置随机化仿真参数以引入生成的数据集的变化,并通过训练 - 对抗样本博弈中的混合纳什均衡
从博弈论的角度解决对抗性样本的问题,研究攻击者和分类器组成的零和博弈中混合纳什均衡的存在问题,提出了一种优化算法来学习近似实现该博弈价值的分类器混合策略。
- 随机预测个体校准
通过使用随机化的置信区间实现对每个样本测量的分配,并提高数据子组的校准度和预测效果。
- AAAI网络实验设计中的干扰和选择偏差最小化
提出了一种在网络中设计 A/B 测试的方法,通过最小化干扰和选择偏差,利用边传播概率和集群匹配等考虑因素,重新设计了基于集群随机化的方法,结果表明该方法能够显著降低因干扰而导致的因果效应估计误差。
- 通过程序生成增加机器学习的通用性
研究了游戏中的 Procedural Content Generation (PCG) 对于增加机器学习方法的通用性的重要性,特别是学习算法对于过度拟合的困扰和参数随机化的抗拟合方法,以增加算法对于不同环境的适应性和回报。
- 具有延迟奖励的上下文多臂赌博机的随机分配与非参数估计
研究带有协变量的多臂赌博问题,在可能存在奖励延迟的情况下,通过对延迟的概率分布进行一些温和假设,并使用适当的随机选择武器策略,证明了该策略的强一致性。
- 将域随机化应用于合成数据以进行目标类别检测
本文探讨了在具有特定应用领域的少量标记图像的情况下,使用人工合成的数据可以更好地代替 fine-tune 预训练网络,并展示了随机化流程中不同组件的个体贡献。
- MM独特信息与缺陷
本文介绍基于广义加权 Le Cam 差异概念的两个量,用于衡量一个通道相对于另一个通道的独特信息,其中一个量是基于通道是否可以在其输入或输出处进行随机化,还将所提出的量与现有的最小协同独特信息的量进行关联,并探讨独特信息在非负互信息分解中的 - 人工智能与统计学
在人工智能研究中,通过人机协作、考虑种群、问问题、培训数据的代表性以及结果的审查等统计概念,采用随机化和本地控制的实验设计原则以及稳定性原则来获得算法和数据结果的可重复性和解释性。
- ICLR通过随机化减轻对抗性影响
本文提出利用随机化在推理时间解决对抗性样本攻击的问题,采用随机的大小和填充来进行防御,现在已经成为一种非常有效的方法,公开代码可用。
- 关于以条件奇偶性作为机器学习中非歧视性概念的研究
本文研究了机器学习中的非歧视普适概念,即条件奇偶性,证明了非歧视的多个概念,包括一些反事实概念,都是条件奇偶性的实例。通过研究随机化的机制和基于核的条件奇偶性测试,我们表明条件奇偶性是可供统计分析的。
- 惩罚约束似然的差分隐私模型选择
本文主要研究如何将差分隐私的保护机制融入多元线性回归建模中,并提出了一种基于惩罚最小二乘估计和随机化的算法来实现此目标,该算法在最优化时更加敏感于参数的选择,但保证了与非差分隐私的程序同样的一致性。
- MAGIC: 一种通用、强大且易处理的选择性推断方法
本文提出了 MAGIC 方法 —— 一种基于二次规划的、具有随机化特性的、较为通用并且易于操作的选择性推理方法。通过嵌入随机化以提高统计能力,再通过再参数化将问题简化为一个简单限制的抽样问题,以概括地解析并应用于许多基于 L1 的优化问题。
- 子模最大化问题的确定性算法
证明了在许多计算机科学中随机化的作用,以及针对次模函数最大化领域的一种新的去随机化算法技术