【博士论文】社交与对抗性数据源下的可信机器学习

主要观点总结

本文探讨了社交和对抗性数据源对机器学习系统的影响，介绍了针对这些挑战的理论研究和解决方案的重要性。文章详细描述了策略性个体、自利的数据收集者、多目标用户和对抗性攻击者对机器学习系统的影响，并阐述了本论文的核心主题和研究内容。

关键观点总结

关键观点1: 社交和对抗性数据源对机器学习的影响

机器学习在日常生活中的广泛应用使得个人和组织与这些系统频繁互动，表现出各种社交和对抗性行为。这些行为可能对机器学习系统的性能和可信性产生显著影响。策略性个体、自利的数据收集者以及对抗性攻击者都可能对机器学习系统的输出造成退化。

关键观点2: 本论文的研究主题和目标

本论文从理论角度出发，针对社交和对抗性数据源下的可信机器学习建立理论基础，致力于建模机器学习交互中固有的社交和对抗性方面，分析其对预测器的影响，并开发增强性能的方法和见解。

关键观点3: 社交数据源下的学习挑战

本论文研究了有限和无限假设类中与策略性个体的学习、单轮联邦学习、多轮联邦学习和协作主动学习中自利数据收集者的激励与背叛等问题。

关键观点4: 对抗性数据源下的学习挑战

本论文探讨了干净标签攻击下的鲁棒学习以及变换不变性下的学习等问题，同时分析了流行的数据增强方法。

关键观点5: 数据派THU的介绍

数据派THU作为数据科学类公众号，致力于分享前沿数据科学与大数据技术创新研究动态，传播数据科学知识，并打造中国大数据最强集团军。