【CMU博士论文】优化的新视角： 应对数据中毒、解决欧几里得优化问题，以及学习最小最大最优估计器

文章预览

来源：专知 本文 约1000字 ，建议阅读 5 分钟 在本论文中，我们通过利用可以访问适当黑箱的优化过程，开发了具有广泛适用性的技术，涉及的领域包括鲁棒优化、欧几里得优化和学习最小最大估计器。 优化技术的鲁棒性特征是现代机器学习应用中的一个基本要求。在一个大量数据从互联网上抓取或从不同来源收集的环境中，数据清理已成为一个越来越难以解决的问题。复杂的对手可以轻松绕过简单的数据清理方法，毒化训练数据，从而影响训练过程。许多攻击可以构建一个后门，使得训练出的模型在部署时能够进行恶意的定向预测。一些高级攻击甚至宣称具有广泛的通用性，即对于一个模型产生的损坏可以成功地应用于另一个模型的攻击。这是一个所有复杂度模型在现实世界中都必须应对的问题。 为了解决这一问题，现有的研究集中于为特定模 ………………………………