ترجمه فارسی مقاله یادگیری فعال قوی (ROAL): مقابله با مخالفان پویا در یادگیری فعال با ادغام وزن الاستیک

چکیده

Despite significant advancements in active learning and adversarial attacks, the intersection of these two fields remains underexplored, particularly in developing robust active learning frameworks against dynamic adversarial threats. The challenge of developing robust active learning frameworks under dynamic adversarial attacks is critical, as these attacks can lead to catastrophic forgetting within the active learning cycle. This paper introduces Robust Active Learning (RoAL), a novel approach designed to address this issue by integrating Elastic Weight Consolidation (EWC) into the active learning process. Our contributions are threefold: First, we propose a new dynamic adversarial attack that poses significant threats to active learning frameworks. Second, we introduce a novel method that combines EWC with active learning to mitigate catastrophic forgetting caused by dynamic adversarial attacks. Finally, we conduct extensive experimental evaluations to demonstrate the efficacy of our approach. The results show that RoAL not only effectively counters dynamic adversarial threats but also significantly reduces the impact of catastrophic forgetting, thereby enhancing the robustness and performance of active learning systems in adversarial environments.

چکیده به فارسی (ترجمه ماشینی)

علیرغم پیشرفت های چشمگیر در یادگیری فعال و حملات مخالف ، تقاطع این دو زمینه همچنان مورد استفاده قرار نمی گیرد ، به ویژه در توسعه چارچوب های یادگیری فعال قوی در برابر تهدیدهای مخالف پویا.چالش توسعه چارچوبهای یادگیری فعال قوی تحت حملات مخالف پویا بسیار مهم است ، زیرا این حملات می توانند منجر به فراموشی فاجعه بار در چرخه یادگیری فعال شوند.در این مقاله یادگیری فعال قوی (ROAL) ، یک رویکرد جدید که برای پرداختن به این مسئله با ادغام ادغام وزن الاستیک (EWC) در فرایند یادگیری فعال طراحی شده است.مشارکتهای ما سه برابر است: اول ، ما یک حمله مخالف پویا جدید را پیشنهاد می کنیم که تهدیدهای قابل توجهی برای چارچوب های یادگیری فعال ایجاد می کند.دوم ، ما یک روش جدید را معرفی می کنیم که EWC را با یادگیری فعال برای کاهش فراموشی فاجعه بار ناشی از حملات مخالف پویا ترکیب می کند.سرانجام ، ما ارزیابی های تجربی گسترده ای را برای نشان دادن اثربخشی رویکرد خود انجام می دهیم.نتایج نشان می دهد که ROAL نه تنها به طور موثری تهدیدهای مخالف پویا را برطرف می کند بلکه تأثیر فراموشی فاجعه بار را نیز به میزان قابل توجهی کاهش می دهد ، در نتیجه باعث افزایش استحکام و عملکرد سیستم های یادگیری فعال در محیط های مخالف می شود.