核心概念
신경 ODE의 적대적 학습을 강건한 제어 관점에서 다루며, 이를 위해 Pontryagin의 최대 원리에 기반한 최적화 기법을 제안한다.
摘要
이 논문은 신경 ODE(Neural Ordinary Differential Equation)의 적대적 학습 문제를 강건한 제어 관점에서 다룬다.
- 신경 ODE를 통해 심층 신경망을 제어 시스템의 이산화로 해석할 수 있으며, 이를 통해 제어 이론의 강력한 도구를 활용할 수 있다.
- 적대적 학습 문제를 minimax 최적 제어 문제로 정식화하고, Pontryagin의 최대 원리를 이용하여 최적화 조건을 도출한다.
- 도출된 최적화 조건을 바탕으로 가중치 기반의 대체 기법을 제안하며, 이를 저차원 분류 문제에 적용하여 실험적으로 검증한다.
統計資料
학습 데이터는 M = 200개의 2차원 데이터 포인트로 구성되며, 비선형 경계선을 기준으로 두 클래스로 라벨링된다.
각 데이터 포인트에 대해 N = 4개의 적대적 공격을 고려하며, 공격 예산은 ϵ = 0.02로 설정한다.
引述
"신경 ODE를 통해 심층 신경망을 제어 시스템의 이산화로 해석할 수 있으며, 이를 통해 제어 이론의 강력한 도구를 활용할 수 있다."
"적대적 학습 문제를 minimax 최적 제어 문제로 정식화하고, Pontryagin의 최대 원리를 이용하여 최적화 조건을 도출한다."
"도출된 최적화 조건을 바탕으로 가중치 기반의 대체 기법을 제안하며, 이를 저차원 분류 문제에 적용하여 실험적으로 검증한다."