ترجمه فارسی مقاله یادگیری ماشینی قابل اعتماد تحت منابع داده اجتماعی و خصمانه

چکیده

Machine learning has witnessed remarkable breakthroughs in recent years. As machine learning permeates various aspects of daily life, individuals and organizations increasingly interact with these systems, exhibiting a wide range of social and adversarial behaviors. These behaviors may have a notable impact on the behavior and performance of machine learning systems. Specifically, during these interactions, data may be generated by strategic individuals, collected by self-interested data collectors, possibly poisoned by adversarial attackers, and used to create predictors, models, and policies satisfying multiple objectives. As a result, the machine learning systems’ outputs might degrade, such as the susceptibility of deep neural networks to adversarial examples (Shafahi et al., 2018; Szegedy et al., 2013) and the diminished performance of classic algorithms in the presence of strategic individuals (Ahmadi et al., 2021). Addressing these challenges is imperative for the success of machine learning in societal settings.

چکیده به فارسی (ترجمه ماشینی)

یادگیری ماشین در سالهای اخیر شاهد پیشرفت های چشمگیر بوده است.از آنجا که یادگیری ماشینی جنبه های مختلف زندگی روزمره را به خود اختصاص می دهد ، افراد و سازمانها به طور فزاینده ای با این سیستم ها در تعامل هستند و طیف گسترده ای از رفتارهای اجتماعی و مخالف را به نمایش می گذارند.این رفتارها ممکن است تأثیر قابل توجهی در رفتار و عملکرد سیستم های یادگیری ماشین داشته باشد.به طور خاص ، در طی این تعامل ، داده ها ممکن است توسط افراد استراتژیک تولید شود ، که توسط جمع کننده داده های خود علاقه مند جمع می شوند ، احتمالاً توسط مهاجمان مخالف مسموم می شوند و برای ایجاد پیش بینی کننده ، مدل ها و سیاست هایی که اهداف مختلفی را برآورده می کنند ، استفاده می شود.در نتیجه ، خروجی های سیستم های یادگیری ماشین ممکن است تخریب شود ، مانند حساسیت شبکه های عصبی عمیق به مثالهای متناقض (شفاحی و همکاران ، 2018 ؛ Szegedy و همکاران ، 2013) و کاهش عملکرد الگوریتم های کلاسیک در حضورافراد استراتژیک (احمدی و همکاران ، 2021).پرداختن به این چالش ها برای موفقیت یادگیری ماشین در تنظیمات اجتماعی ضروری است.