机构名称：
¥ 2.0
随机抽样是现代算法，统计和Ma-Chine学习中的基本原始性，用作获取数据的较小但“代表性”子集的通用方法。在这项工作中，我们研究了在流式设置中对自适应对手攻击的鲁棒性：对手将宇宙U的一系列元素传递到采样算法（例如Bernoulli采样或储层采样），并以“构成非常无用的”效果'nesprestation's repressented'nesperate'nesprestanter''对手是完全自适应的，因为它知道沿流的任何给定点的样本的确切内容，并且可以以在线方式选择下一个相应地发送的元素。静态设置中的众所周知的结果表明，如果提前选择完整的流（非适应性），则大小ω（d /ε2）的随机样本是具有良好概率的完整数据的εApproximation，其中D是d是基础设置系统的VC-dimension（u，r）。此样本量屈服于适应性对手的鲁棒性？简单的答案是负面的：我们演示了一个设定的系统，其中恒定样本大小（对应于1个的VC维度为1）在静态设置中，但是自适应对手可以使用简单的和易于实现的攻击。但是，此攻击是“仅理论上的”，要求设定的系统大小至（本质上）在流长中指数。这几乎与攻击施加的约束相匹配。这不是一个巧合：我们表明，为了使采样算法与自适应对手进行鲁棒性，所需的修改仅是在样本大小中替换VC差异项D中的VC差异项D，并用基数期限log | r |替换。 。也就是说，具有样本尺寸ω（log | r | /ε2）的Bernoulli和储层采样算法，即使在存在自适应对手的情况下，也有良好的可能性输出流的代表性样本。
采样的对抗性鲁棒性
主要关键词
相关文件推荐
