【博士论文】社交与对抗性数据源下的可信机器学习

文章预览

来源：专知 本文 约2000字 ，建议阅读 5 分钟 本论文从理论角度出发，针对由这些社交和对抗性数据因素引发的可信性挑战作出贡献。 近年来，机器学习取得了显著的突破。随着机器学习逐渐渗透到日常生活的各个方面，个人和组织越来越多地与这些系统互动，表现出各种社交和对抗性行为。这些行为可能对机器学习系统的行为和性能产生显著影响。具体来说，在这些互动过程中，数据可能由策略性个体生成，由自利的数据收集者收集，甚至可能被对抗性攻击者污染，并用于创建满足多重目标的预测器、模型和政策。因此，机器学习系统的输出可能会退化，例如深度神经网络对抗性样本的脆弱性（Shafahi 等, 2018; Szegedy 等, 2013），以及在面对策略性个体时经典算法性能的下降（Ahmadi 等, 2021）。解决这些挑战对于机器学习在社会环境中的成功至关重要 ………………………………