- Условные генеративные модели для обучения стохастическим процессам (arXiv)
Автор: Сальваторе Черто, Ань Фам, Николас Роблес, Эндрю Влашич.
Аннотация: Предлагается структура для изучения мультимодального распределения, обозначенная как условно-квантовая генерирующая состязательная сеть (C-qGAN). Структура нейронной сети находится строго внутри квантовой схемы и, как следствие, показано, что она представляет собой более эффективную процедуру подготовки состояния, чем существующие методы. Эта методология может ускорить алгоритмы, такие как анализ Монте-Карло. В частности, после демонстрации эффективности сети в учебной задаче метод применяется к оценке производных азиатских опционов, обеспечивая основу для дальнейших исследований других опционов, зависящих от пути.
2.ОТЛИЧНАЯ оценка: глобальная оценка устойчивости состязательного возмущения с использованием генеративных моделей (arXiv)
Автор: Ли Зайтан, Пин-Ю Чен, Цун-И Хо.
Аннотация: Текущие исследования устойчивости к состязательным действиям в основном сосредоточены на агрегировании результатов локальной устойчивости из набора выборок данных для оценки и ранжирования различных моделей. Однако локальная статистика может не совсем точно отражать истинную глобальную надежность лежащего в основе неизвестного распределения данных. Чтобы решить эту проблему, в этой статье делается первая попытка представить новую структуру под названием GREAT Score для глобальной оценки устойчивости враждебных возмущений с использованием генеративных моделей. Формально GREAT Score несет в себе физический смысл глобальной статистики, фиксирующей средний сертифицированный уровень возмущения, защищенный от атак, по всем выборкам, взятым из генеративной модели. Для оценки конечной выборки мы также получаем вероятностную гарантию сложности выборки и разницы между средним значением выборки и истинным средним значением. GREAT Score имеет несколько преимуществ: (1) Оценки надежности с использованием GREAT Score эффективны и масштабируемы для больших моделей, избавляя от необходимости запуска состязательных атак. В частности, мы показываем высокую корреляцию и значительно сниженную стоимость вычислений GREAT Score по сравнению с ранжированием модели, основанной на атаках, в RobustBench (Croce и др., 2021). (2) Использование генеративных моделей облегчает аппроксимацию распределения неизвестных данных. В нашем исследовании абляции с различными генеративно-состязательными сетями (GAN) мы наблюдаем согласованность между глобальной оценкой надежности и качеством GAN. (3) Оценка GREAT Score может использоваться для удаленного аудита моделей «черных ящиков», чувствительных к конфиденциальности, о чем свидетельствует наша оценка надежности нескольких онлайн-сервисов распознавания лиц.
