کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
Missing data is commonly encountered in practice, and when the missingness is non-ignorable, effective remediation depends on knowledge of the missingness mechanism. Learning the underlying missingness mechanism from the data is not possible in general, so adversaries can exploit this fact by maliciously engineering non-ignorable missingness mechanisms. Such Adversarial Missingness (AM) attacks have only recently been motivated and introduced, and then successfully tailored to mislead causal structure learning algorithms into hiding specific cause-and-effect relationships. However, existing AM attacks assume the modeler (victim) uses full-information maximum likelihood methods to handle the missing data, and are of limited applicability when the modeler uses different remediation strategies. In this work we focus on associational learning in the context of AM attacks. We consider (i) complete case analysis, (ii) mean imputation, and (iii) regression-based imputation as alternative strategies used by the modeler. Instead of combinatorially searching for missing entries, we propose a novel probabilistic approximation by deriving the asymptotic forms of these methods used for handling the missing entries. We then formulate the learning of the adversarial missingness mechanism as a bi-level optimization problem. Experiments on generalized linear models show that AM attacks can be used to change the p-values of features from significant to insignificant in real datasets, such as the California-housing dataset, while using relatively moderate amounts of missingness (<20%). Additionally, we assess the robustness of our attacks against defense strategies based on data valuation.
چکیده به فارسی (ترجمه ماشینی)
داده های گمشده معمولاً در عمل با آن روبرو می شوند و هنگامی که مفقود بودن غیر شایز است ، اصلاح مؤثر به دانش مکانیسم مفقودیت بستگی دارد.یادگیری مکانیسم مفقود شدن اساسی از داده ها به طور کلی امکان پذیر نیست ، بنابراین مخالفان می توانند از این واقعیت با استفاده از مکانیسم های ناسازگاری غیرقانونی بدخیم استفاده کنند.چنین حملات مفقودیت مخالف (AM) اخیراً انگیزه و معرفی شده است ، و سپس با موفقیت متناسب با گمراه کردن الگوریتم های یادگیری ساختار علی در مخفی کردن روابط علت و معلولی خاص متناسب است.با این حال ، حملات AM موجود فرض می کند که مدل ساز (قربانی) از روشهای حداکثر احتمال آگاهانه برای کنترل داده های مفقود شده استفاده می کند و وقتی مدل ساز از استراتژی های مختلف اصلاح استفاده می کند ، از کاربرد محدودی برخوردار هستند.در این کار ما در زمینه حملات AM به یادگیری انجمن توجه می کنیم.ما (i) تجزیه و تحلیل کامل مورد ، (ii) میانگین ضعف ، و (iii) تحمیل مبتنی بر رگرسیون را به عنوان استراتژی های جایگزین استفاده شده توسط مدل ساز در نظر می گیریم.به جای جستجوی ترکیبی برای ورودی های گمشده ، ما با استخراج اشکال بدون علامت این روشهای مورد استفاده برای رسیدگی به ورودی های مفقود شده ، یک تقریب احتمالی جدید را پیشنهاد می کنیم.سپس یادگیری مکانیسم نابودی مخالف را به عنوان یک مشکل بهینه سازی دو سطح شکل می دهیم.آزمایشات روی مدلهای خطی عمومی نشان می دهد که از حملات AM می توان برای تغییر مقادیر p از ویژگی ها از مجموعه داده های قابل توجه به ناچیز در مجموعه داده های واقعی ، مانند مجموعه داده های مسکن کالیفرنیا ، در حالی که از مقادیر نسبتاً متوسطی از دست نخورده (<20 ٪) استفاده کرد ، استفاده کرد.علاوه بر این ، ما استحکام حملات خود را علیه استراتژی های دفاعی بر اساس ارزیابی داده ها ارزیابی می کنیم.
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
