MARC

 008260126s2025        us                              c    eng  d
■001000017359513
■00520260202105130
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798291553381
■035    ▼a(MiAaPQ)AAI32239182
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aGao,  Changyu.
■24510▼aTrustworthy  Machine  Learning:  Privacy-Preserving  and  Adversarially  Robust  Optimization  Algorithms
■260    ▼a[Sl]▼bThe  University  of  Wisconsin  -  Madison▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a232  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-02,  Section:  B.
■500    ▼aAdvisor:  Wright,  Stephen.
■5021  ▼aThesis  (Ph.D.)--The  University  of  Wisconsin  -  Madison,  2025.
■520    ▼aThis  thesis  investigates  the  development  of  trustworthy  machine  learning  systems  by  focusing  on  two  critical  areas:  privacy  and  robustness.  We  introduce  and  analyze  novel  optimization  algorithms  designed  to  perform  effectively  under  the  rigorous  constraints  of  differential  privacy  and  in  the  presence  of  adversarial  data  perturbations.  The  central  aim  is  to  design  algorithms  that  are  not  only  theoretically  sound  but  also  practically  efficient,  addressing  fundamental  trade-offs  between  privacy,  robustness,  and  computational  performance  in  modern  machine  learning.Key  contributions  of  this  work  include  the  following:  the  development  of  a  practical  and  efficient  framework  for  differentially  private  nonconvex  optimization  (Chapter  2)  that  finds  approximate  second-order  solutions.  In  the  distributed  setting,  we  present  novel  algorithms  for  federated  learning  (Chapter  3)  that  achieve  optimal  excess  risk  bounds  with  superior  communication  efficiency  for  heterogeneous  data,  resolving  a  previously  open  problem.  To  address  adversarial  data  corruption,  in  Chapter  4,  we  develop  a  novel  algorithm  for  robust  stochastic  convex  optimization  under  the  strong  contamination  model  that  achieves  minimax-optimal  excess  risk.  The  work  also  provides  a  broader  perspective  on  the  landscape  of  private  learning  by  summarizing  key  sample  complexity  results  and  charting  future  research  directions  (Chapter  5).  We  provide  partial  results  to  these  open  problems.  Notably  we  present  the  first  algorithm  achieving  both  differential  privacy  and  adversarial  robustness  simultaneously  for  stochastic  convex  optimization.In  summary,  this  dissertation  advances  the  state-of-the-art  by  providing  new  algorithms  with  strong  theoretical  guarantees  and  practical  advantages  for  private  and  robust  machine  learning.  The  findings  presented  offer  a  deeper  understanding  of  the  fundamental  trade-offs  between  privacy,  robustness,  and  computational  efficiency,  paving  the  way  for  more  reliable  and  secure  machine  learning  systems.
■590    ▼aSchool  code:  0262.
■650  4▼aComputer  science
■650  4▼aComputer  engineering
■653    ▼aAdversarial  robustness
■653    ▼aDifferential  privacy
■653    ▼aMathematical  optimization
■653    ▼aNonsmooth  loss
■653    ▼aTrustworthy  machine  learning
■690    ▼a0796
■690    ▼a0984
■690    ▼a0464
■71020▼aThe  University  of  Wisconsin  -  Madison▼bIndustrial  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g87-02B.
■790    ▼a0262
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359513▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서