【MIT博士论文】高效的鲁棒性和可解释性在学习和数据驱动决策中的应用

文章预览

随着机器学习算法在高风险应用中不断开发和部署，确保其可靠性已变得至关重要。本论文介绍了在机器学习中提高可靠性的算法进展，重点强调两个关键维度：鲁棒性和可解释性。 本论文的第一部分侧重于鲁棒性，即保证算法在各种数据不确定性下仍能提供稳定和可预测的性能。我们研究了在不同数据不确定性来源下的学习鲁棒性，包括基本的统计误差以及数据噪声和损坏。我们的研究揭示了这些不同来源如何相互作用并对数据驱动决策产生影响。我们引入了针对特定不确定性来源量身定制的新颖的分布鲁棒优化方法。我们的研究结果表明，对一种来源的保护可能会增加对另一种来源的脆弱性。为了解决这个问题，我们开发了分布模糊集，能够同时提供对所有来源的整体鲁棒性。在每种情况下，我们证明了我们的新方法实现了“高效”的鲁棒性 ………………………………