Toutes les news taguées avec ce sujet.
Une preuve théorique montre qu'un algorithme simple combinant bagging et minimisation robuste du risque empirique bat l'état de l'art en robustesse adversariale.
L'ajout d'exemples correctement étiquetés par un adversaire monotone dégrade les taux d'apprentissage d'un facteur logarithmique.
Des chercheurs proposent un algorithme atteignant la borne de risque statistiquement optimale pour l'apprentissage PAC agnostique.