Savoir quand savoir : gérer les données adversariales en s'abstenant

Aperçu

Explore sequential prediction in stochastic settings with adversarial interference. Learn strategies for handling distribution shifts and making confident predictions while abstaining from uncertain cases.

Programme

• Introduction à la Prédiction Séquentielle
Notions de base des modèles de prédiction séquentielle
Aperçu des contextes stochastiques
• Comprendre l'Interférence Adversariale
Types et sources d'interférence adversariale
Impact des contextes adversariaux sur les prédictions
• Gérer les Changements de Distribution
Identification des changements de distribution
Stratégies pour s'adapter aux changements de distribution
• Prédictions Confidentes avec Abstention
Concept de l'abstention dans les scénarios incertains
Métriques pour l'estimation de la confiance
Techniques pour intégrer l'abstention dans les modèles de prédiction
• Stratégies pour une Prédiction Séquentielle Robuste
Approches de modélisation défensive
Incorporation de redondance et de diversité
• Évaluer la Performance des Modèles avec des Données Adversariales
Techniques de benchmarking
Études de cas et exemples concrets
• Sujets Avancés
Fondements théoriques de la robustesse adversariale
Progrès récents dans l'entraînement adversarial
• Applications Pratiques et Outils
Outils et bibliothèques courants pour gérer les données adversariales
Construire et tester des modèles avec des mécanismes d'abstention
• Conclusion et Perspectives d'Avenir
Tendances émergentes dans la gestion des données adversariales
Considérations éthiques dans l'abstention des prédictions incertaines

---

Matières

Data Science