MinghuiChen43/awesome-trustworthy-deep-learning

解決する課題

ディープラーニングモデルは実世界のシステムでますます使用されていますが、安全でなかったり、偏っていたり、プライベートな情報を漏洩させたりする方法で失敗する可能性があります。このプロジェクトは、これらのモデルを信頼できるものにするための研究を集めたもので、新しいタイプのデータの処理（分布外汎化）、悪意のある攻撃（敵対的サンプル、バックドア攻撃）に対する防御、プライバシーの保護（モデル反転、機械学習の忘却）、公平性の確保、モデルの解釈可能性の向上といったトピックをカバーしています。

仕組み

これは awesome list であり、論文、ツール、リソースを厳選して整理したコレクションです。リストは arXiv への新しい投稿に合わせて毎日更新され、各論文には主要なアイデアをまとめた短い要約が含まれています。論文はトピックごとに分類されています（例：サーベイ、分布外汎化、回避攻撃、プライバシー、公平性、解釈可能性、アライメント）。README には過去1年間の論文が表示され、それ以前の論文は別の完全なリストで利用可能です。論文以外にも、関連するサーベイ、ツールボックス、セミナー、ワークショップ、チュートリアル、トーク、ブログへのリンクも提供しています。

対象読者

ディープラーニングモデルを安全、信頼性が高く、倫理的なものにするための最新の研究を把握したい研究者、学生、実務家。信頼できる機械学習の研究を探索するための構造化された出発点を探している人や、新しい開発に遅れずについていきたい人にとって特に役立ちます。

ハイライト

arXiv からの毎日の更新により、リストは常に最新の状態に保たれます。
幅広いトピックをカバー：分布外汎化、敵対的攻撃、ポイズニング攻撃、プライバシー、公平性、解釈可能性、アライメントなど。
各論文には簡潔な要約と全文へのリンクが含まれています。
1年間の期間を超えた古い論文の完全なリストを提供します。
追加リソースへのリンク：サーベイ、ツールボックス、セミナー、ワークショップ、チュートリアル、トーク、ブログ。
積極的にメンテナンスされており、貢献（pull requests）を歓迎します。