Лучшие книги по машинному обучению
2. Распознавание образов и машинное обучение
3. Введение в статистическое обучение: с приложениями в R (тексты Springer в статистике
- Контексты могут быть дешевыми: решение стохастических контекстных бандитов с помощью алгоритмов линейных бандитов(arXiv)
Автор: Усама А. Ханна, Лин Ф. Ян, Кристина Фрагули
Аннотация: в этой статье мы рассматриваем стохастическую контекстуальную линейную проблему бандита, где лицу, принимающему решения, предоставляется контекст (случайный набор действий, взятый из распределения). Ожидаемое вознаграждение за каждое действие определяется внутренним произведением действия и неизвестным параметром. Цель состоит в том, чтобы разработать алгоритм, который обучается играть как можно ближе к неизвестной оптимальной политике после ряда действий. Эта задача считается более сложной, чем линейная задача о бандитах, которую можно рассматривать как контекстуальную задачу о бандитах с \emph{фиксированным} контекстом. Удивительно, но в этой статье мы показываем, что стохастическую контекстуальную задачу можно решить, как если бы это была линейная задача о бандитах. В частности, мы устанавливаем новую структуру редукции, которая преобразует каждый стохастический экземпляр контекстного линейного бандита в экземпляр линейного бандита, когда известно распределение контекста. Когда распределение контекста неизвестно, мы устанавливаем алгоритм, который сводит стохастический контекстуальный экземпляр к последовательности линейных экземпляров бандита с небольшими неправильными спецификациями и достигает почти такой же границы сожаления в наихудшем случае, что и алгоритм, который решает неправильно заданные линейные экземпляры бандита. Как следствие, наши результаты подразумевают O(dTlogT------√) с высокой вероятностью сожаления, связанного с контекстуальными линейными бандитами, достигающими прогресса в решении открытой проблемы в (Li et al., 2019), (Li et al. ., 2021). Наша структура сокращения открывает новый способ подхода к стохастическим контекстным линейным бандитским задачам и позволяет улучшить границы сожаления в ряде случаев, включая пакетную настройку, контекстные бандиты с неправильными спецификациями, контекстные бандиты с редкими неизвестными параметрами и контекстные бандиты с враждебным искажением.
2. Защита от бэкдора с помощью подавления ярлыков модели(arXiv)
Автор:Шэн Ян, Имин Ли, Юн Цзян, Шу-Тао Ся
Аннотация:Недавние исследования показали, что глубокие нейронные сети (DNN) уязвимы для бэкдор-атак в процессе обучения. В частности, злоумышленники намереваются внедрить скрытые бэкдоры в DNN, чтобы можно было активировать прогнозы вредоносных моделей с помощью заранее определенных шаблонов триггеров. В этой статье мы исследуем механизм бэкдора с точки зрения структуры модели. Мы выбираем соединение с пропуском для обсуждений, вдохновленные пониманием того, что оно помогает изучать модельные «ярлыки», где триггеры бэкдора обычно легче изучать. В частности, мы демонстрируем, что показатель успешных атак (ASR) значительно снижается при уменьшении выходных данных некоторых ключевых соединений с пропуском. Основываясь на этом наблюдении, мы разрабатываем простой, но эффективный метод удаления бэкдора, подавляя пропущенные соединения в критических слоях, выбранных нашим методом. Мы также осуществляем тонкую настройку этих слоев, чтобы восстановить высокую точность и еще больше снизить ASR. Обширные эксперименты с эталонными наборами данных подтверждают эффективность нашего метода.
3.Многопараметрическая оценка гамильтонианов квантового блуждания с непрерывным временем с помощью машинного обучения(arXiv)
Автор: Илария Джанани, Клаудия Бенедетти
Аннотация: Характеристика параметров гамильтониана, определяющих квантовое блуждание, имеет первостепенное значение при выполнении различных задач, от квантовой связи до вычислений. При работе с физическими реализациями квантовых блужданий сами параметры могут быть недоступны напрямую, поэтому необходимо найти альтернативные стратегии оценки, использующие другие наблюдаемые. Здесь мы выполняем многопараметрическую оценку параметров гамильтониана, характеризующих квантовое блуждание с непрерывным временем по линейному графу с n-соседними взаимодействиями, используя модель глубокой нейронной сети, на которую подаются экспериментальные вероятности в заданное время эволюции. Мы сравниваем наши результаты с границами, полученными из теории оценивания, и обнаруживаем, что нейронная сеть действует как почти оптимальная оценка как при оценке двух, так и трех параметров.
