![](https://img-blog.csdnimg.cn/fe8f2e44b95a422e9809fe46cfc95a82.jpeg?x-oss-process=image/resize,m_fixed,h_224,w_224)
论文阅读
文章平均质量分 94
个人论文阅读的笔记
梦码城
以梦为码,不负韶华
展开
-
Center Smoothing Certified Robustness for Networks with Structured Outputs
在概率论中,霍夫丁不等式给出了随机变量的和与其期望值偏差的概率上限,该不等式被Wassily Hoeffding于1963年提出并证明。在无放回抽样时,若想要更好的概率边界,可查看Serfling在1974年发表的论文。在无放回抽样时,若想要更好的概率边界,可查看Serfling在1974年发表的论文。掷硬币,假设正面朝上概率为 p ,反面朝上概率为 1-p ,投掷 n 次,则正面朝上次数的期望值为 np。(CDF)是概率分布函数(PDF)的积分。其中, H(n) 是 n 次投掷中,正面朝上的次数。原创 2023-11-14 16:49:28 · 198 阅读 · 0 评论 -
Certifying Some Distributional Fairness with Subpopulation Decomposition
先前工作存在的缺陷先前的工作主要是正则化训练、解纠缠、对偶、低阶矩阵分解、分布对齐等方法,来提高ML的公平性。已有部分在ML上做可验证公平性表征的工作,但是存在的问题:在随机给定的一个数据分布上训练一个端到端的模型,这个模型在预测结果上缺乏可验证的公平性。现有公平性上的文献所关注的ML模型,是在一个(非)平衡数据分布上训练模型,在可测量的目标域中通过现有的公平性评估方法来评估模型的性能,所以公平性评估只取决于评估方法的选择,并未考虑方法的验证性。可验证公平性。原创 2023-03-30 20:04:37 · 325 阅读 · 0 评论 -
HIN应用调研总结
通过GitHub和Stack overflow之间的跨平台用户识别来增强社交编码安全**背景与问题:**GitHub与Stack Overflow等平台逐渐流行,潜在的安全问题也在上升,主要归因于风险与有害代码能很好地嵌入传播。文献利用异质图表示学习识别用户,检测跨平台投毒攻击者。**贡献:**自动跨平台【Github与Stack Overflow】用户识别,利用用户的属性与社交编码属性等进行用户标识,检测投毒攻击者。**方法与模型:**构造跨平台用户代码交互图,基于attributed heterogen原创 2022-12-04 10:51:39 · 571 阅读 · 0 评论 -
《CRFL:Certifiably Robust Federated Learning against Backdoor Attacks》
在联邦学习的场景中,很容易在本地客户端添加像后门这种的对抗扰动,从而影响全局模型的训练。针对这些对抗攻击,现有方法包括:设计一种鲁棒性聚合函数、开发经验丰富的联邦学习协议、利用噪声扰动、在训练期间增加额外的评估。但是这些方法都缺乏在一定条件下针对后门攻击的鲁棒性验证。**CRFL的具体过程:**在训练阶段,每个客户端可以上传参数到服务端做聚合与更新,其中服务端主要负责:(1)聚合从客户端收集的模型信息;(2)裁剪聚合模型的范式;(3)对被裁剪模型增加随机噪声;(4)给每一个客户端返回新的模型参数。原创 2022-11-14 09:59:32 · 1286 阅读 · 0 评论 -
《Shortening passengers’ travel time A dynamic metro train scheduling approach using deep reinforcem》
城市地铁已成为现代城市最重要的公共交通工具,每天有数百万人乘坐地铁。由于出行效率关系到城市的工作效率,因此缩短地铁乘客的出行时间是一项迫切的需求,可以带来巨大的经济效益。在本文中,我们研究了一种细粒度、安全和节能的策略,通过动态调度列车停留时间来提高地铁系统的效率。然而,由于以下三个方面的原因,制定这样的策略是非常具有挑战性的:1)优化乘客平均旅行时间的目标是复杂的,因为它需要适当平衡乘客在站台的等待时间和列车上的旅行时间,并考虑对整个地铁系统的长期影响;2) 很难捕捉地铁车站进站乘客的动态时空相关性;3)原创 2022-07-28 11:59:09 · 223 阅读 · 0 评论 -
Understanding Convolutions on Graphs
1. 介绍传统的神经网络被用于对固定大小和/或规则结构的输入(例如句子、图像和视频)进行操作。这使得他们无法优雅地处理图结构数据。图神经网络 (GNN) 是一系列神经网络,可以自然地对图结构数据进行操作。与孤立地考虑单个实体的模型相比,通过从底层图中提取和利用特征,GNN 可以对这些交互中的实体做出更明智的预测。本文将说明图计算的挑战,描述图神经网络的起源和设计,并探索最近最流行的 GNN 变体。特别是,我们将看到许多这些变体由相似的构建块组成。2. 图计算面临的挑战2.1 缺乏一致的结构预测给原创 2022-05-05 17:11:26 · 1213 阅读 · 0 评论 -
Graph Convolutional Networks
1. 摘要我们介绍了一种在图结构数据上可扩展的半监督学习方法,该方法是基于一种高效的有向图卷积神经网络变体。我们通过谱图卷积局部一阶近似来激励我们的卷积架构的选择。我们的模型在图边的数量上线性缩放,并且学习隐藏层对局部图结构和节点特征进行编码的表示。在大量的基于引用网络与知识图谱数据集上的实验中我们证明我们的方法表现比起相关方法具有很大的优势。2. 相关符号表示KaTeX parse error: Undefined control sequence: \cal at position 4: {{原创 2022-04-30 20:23:12 · 724 阅读 · 0 评论 -
Communication-Efficient Learning of Deep Networks from Decentralized Data
现代移动设备可以访问大量适合学习模型的数据,这反过来又可以极大地改善设备上的用户体验。例如,语言模型可以改进语音识别和文本输入,图像模型可以自动选择好的照片。然而,这些丰富的数据通常对隐私敏感,数量大,或者两者兼而有之,这可能会妨碍使用传统方法登录到数据中心并在那里进行培训。我们提倡另一种方法,将训练数据分布在移动设备上,并通过聚合本地计算的更新来学习共享模型,我们将这种分散的方法称为联合学习。我们提出了一种基于迭代模型平均的深度网络联合学习的实用方法,并结合五种不同的模型结构和四个数据集进行了广泛的实证评原创 2022-06-14 00:03:21 · 3833 阅读 · 0 评论