Miniatura

Fitxers

702957.pdf (3.43 MB)

Tipus de document

Article

Versió

Versió publicada

Data de publicació

2020-09-14

Llicència de publicació

cc-by (c) Unceta, Irene et al., 2020
Si us plau utilitzeu sempre aquest identificador per citar o enllaçar aquest document: https://hdl.handle.net/2445/178922

Copying Machine Learning Classifiers

Títol de la revista

Autors

Director/Tutor

ISSN de la revista

Títol del volum

Recurs relacionat

https://doi.org/10.1109/ACCESS.2020.3020638

Resum

We study copying of machine learning classifiers, an agnostic technique to replicate the decision behavior of any classifier. We develop the theory behind the problem of copying, highlighting its properties, and propose a framework to copy the decision behavior of any classifier using no prior knowledge of its parameters or training data distribution. We validate this framework through extensive experiments using data from a series of well-known problems. To further validate this concept, we use three different use cases where desiderata such as interpretability, fairness or productivization constrains need to be addressed. Results show that copies can be exploited to enhance existing solutions and improve them adding new features and characteristics.

Matèries

Aprenentatge automàtic, Models matemàtics

Matèries (anglès)

Machine learning, Mathematical models

Citació

Col·leccions

Articles publicats en revistes (Matemàtiques i Informàtica)

Citació

UNCETA, Irene, NIN, Jordi, PUJOL VILA, Oriol. Copying Machine Learning Classifiers. _IEEE Access_. 2020. Vol. 8, núm. 160268-160284. [consulta: 23 de gener de 2026]. ISSN: 2169-3536. [Disponible a: https://hdl.handle.net/2445/178922]

Exportar metadades

JSON - METS

Compartir registre