【CMU博士论文】理解、正式表征和鲁棒处理现实世界的分布转移，437页pdf

文章预览

分布转移仍然是成功和可靠部署机器学习（ML）系统的重大障碍。只有理解基准测试根本无法捕捉所有可能发生的变化，才能长期解决这些漏洞；同样重要的是，通过仔细实验AI系统以理解它们在实际转移中的失败情况。 本论文描述了我在建立可信和可靠的机器学习基础方面的工作。调查的工作大致分为三个主要类别 ：（i）设计现实世界分布转移结构的正式、实用的特征描述；（ii）利用这种结构开发在处理此类转移时具有证明正确性和高效性的学习算法；以及（iii）实验现代ML系统，以理解现实世界中重尾分布和分布转移的实际影响，包括平均和最坏情况。 第一部分描述了对深度神经网络的对抗性攻击进行大规模认证的工作 。所提出的方法可用于认证对测试样本、训练数据或更一般地任何影响模型最终预测的输入的攻击的鲁棒性。在第二部分中 ………………………………