On existence, uniqueness and scalability of adversarial robustness measures for AI classifiers

要約

(局所的に)一意に可逆な分類器、一般化線形モデル (GLM)、およびエントロピー AI (EAI) の存在、一意性、および最小敵対的パス (MAP) と最小敵対的距離 (MAD) の明示的な分析計算に関する簡単に検証可能な数学的条件
）が定式化され、証明されています。
MAP と MAD の実践的な計算、さまざまなクラスの AI ツール (ニューロン ネットワーク、ブースト ランダム フォレスト、GLM および EAI 用) の比較と解釈が、一般的な合成ベンチマーク、つまりダブル スイス ロール スパイラルとその拡張で実証されています。
2 つの生物医学データの問題 (健康保険請求の予測と心臓発作による致死分類) も同様です。
生物医学応用では、アクセス可能な制御変数の事前定義されたサブセットにおいて、MAP がどのように独自の最小限の患者固有のリスク軽減介入を提供するかが実証されています。

要約(オリジナル)

Simply-verifiable mathematical conditions for existence, uniqueness and explicit analytical computation of minimal adversarial paths (MAP) and minimal adversarial distances (MAD) for (locally) uniquely-invertible classifiers, for generalized linear models (GLM), and for entropic AI (EAI) are formulated and proven. Practical computation of MAP and MAD, their comparison and interpretations for various classes of AI tools (for neuronal networks, boosted random forests, GLM and EAI) are demonstrated on the common synthetic benchmarks: on a double Swiss roll spiral and its extensions, as well as on the two biomedical data problems (for the health insurance claim predictions, and for the heart attack lethality classification). On biomedical applications it is demonstrated how MAP provides unique minimal patient-specific risk-mitigating interventions in the predefined subsets of accessible control variables.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google