Core Concepts
確率的予測は機械学習モデルの予測の不確実性を定量化する強力なツールですが、敵対的攻撃に対して脆弱です。本研究では、確率的予測の堅牢性を保証しつつ効率性を大幅に向上させる新しい手法を提案しています。
Abstract
本研究では、確率的予測の2つの主要な課題に取り組んでいます。
堅牢性の保証: 従来の手法であるRandomized Smoothed Conformal Prediction (RSCP)には理論的な問題があり、実践的な保証を提供できません。そこで、RSCP+と呼ばれる新しい理論的枠組みを提案し、確率的予測の堅牢性を確実に保証します。
効率性の向上: RSCPは保守的すぎるため、予測集合が非常に大きくなる問題があります。そこで、Post-Training Transformation (PTT)とRobust Conformal Training (RCT)という2つの新しい手法を提案し、予測集合のサイズを大幅に削減します。
実験結果では、ベースラインの手法では予測集合が全クラスを含む trivial な結果しか得られませんが、提案手法によって CIFAR10で4.36倍、CIFAR100で5.46倍、ImageNetで16.9倍の効率化を達成しつつ、堅牢性も確保できることを示しています。
Stats
CIFAR10データセットでは、ベースラインの平均予測集合サイズが10クラスすべてであるのに対し、提案手法PTTは2.294クラス、PTT+RCTは2.294クラスまで削減できた。
CIFAR100データセットでは、ベースラインの平均予測集合サイズが100クラスすべてであるのに対し、PTTは26.06クラス、PTT+RCTは18.30クラスまで削減できた。
ImageNetデータセットでは、ベースラインの平均予測集合サイズが1000クラスすべてであるのに対し、PTTは94.66クラス、PTT+Bernsteinは59.12クラスまで削減できた。