ترجمه فارسی مقاله ارزیابی استحکام مدل‌های یادگیری ماشین با استفاده از اختلالات متغیر کمکی

چکیده

As machine learning models become increasingly prevalent in critical decision-making models and systems in fields like finance, healthcare, etc., ensuring their robustness against adversarial attacks and changes in the input data is paramount, especially in cases where models potentially overfit. This paper proposes a comprehensive framework for assessing the robustness of machine learning models through covariate perturbation techniques. We explore various perturbation strategies to assess robustness and examine their impact on model predictions, including separate strategies for numeric and non-numeric variables, summaries of perturbations to assess and compare model robustness across different scenarios, and local robustness diagnosis to identify any regions in the data where a model is particularly unstable. Through empirical studies on real world dataset, we demonstrate the effectiveness of our approach in comparing robustness across models, identifying the instabilities in the model, and enhancing model robustness.

چکیده به فارسی (ترجمه ماشینی)

از آنجا که مدل های یادگیری ماشین به طور فزاینده ای در مدل ها و سیستم های تصمیم گیری مهم در زمینه هایی مانند مالی ، مراقبت های بهداشتی و غیره شیوع می یابد ، اطمینان از استحکام آنها در برابر حملات مخالف و تغییر در داده های ورودی مهم است ، به ویژه در مواردی که مدل ها به طور بالقوه بیش از حد هستند.در این مقاله یک چارچوب جامع برای ارزیابی استحکام مدل های یادگیری ماشین از طریق تکنیک های آشفتگی متغیر ارائه شده است.ما استراتژی های مختلف آشفتگی را برای ارزیابی استحکام و بررسی تأثیر آنها بر پیش بینی های مدل ، از جمله استراتژی های جداگانه برای متغیرهای عددی و غیر عددی ، خلاصه ای از آشفتگی ها برای ارزیابی و مقایسه استحکام مدل در سناریوهای مختلف و تشخیص استحکام محلی بررسی می کنیم تا هر منطقه در مناطق مختلف در مناطق مختلف را تشخیص دهد.داده هایی که یک مدل به ویژه ناپایدار است.از طریق مطالعات تجربی در مجموعه داده های دنیای واقعی ، ما اثربخشی رویکرد خود را در مقایسه استحکام در مدلها ، شناسایی بی ثباتی ها در مدل و تقویت استحکام مدل نشان می دهیم.