MinghuiChen43/awesome-trustworthy-deep-learning

해결하는 문제

딥러닝 모델은 실제 시스템에서 점점 더 많이 사용되고 있지만, 안전하지 않거나 편향되거나 개인정보를 유출하는 방식으로 실패할 수 있습니다. 이 프로젝트는 이러한 모델을 신뢰할 수 있게 만드는 연구를 수집하며, 새로운 유형의 데이터 처리(분포 외 일반화), 악의적인 공격(적대적 예제, 백도어 공격) 방어, 개인정보 보호(모델 반전, 기계 학습의 망각), 공정성 보장, 모델의 해석 가능성 확보와 같은 주제를 다룹니다.

작동 방식

이것은 awesome list로, 논문, 도구 및 리소스를 엄선하여 정리한 모음집입니다. 이 목록은 arXiv의 새로운 제출물에 따라 매일 업데이트되며, 각 논문에는 핵심 아이디어를 요약한 짧은 다이제스트가 포함되어 있습니다. 논문은 주제별로 분류되어 있습니다(예: 설문 조사, 분포 외 일반화, 회피 공격, 개인정보 보호, 공정성, 해석 가능성, 정렬). README에는 지난 1년간의 논문이 표시되며, 더 오래된 논문은 별도의 전체 목록에서 확인할 수 있습니다. 논문 외에도 관련 설문 조사, 툴박스, 세미나, 워크숍, 튜토리얼, 강연 및 블로그로 연결되는 링크도 제공합니다.

대상 독자

딥러닝 모델을 안전하고 신뢰할 수 있으며 윤리적으로 만드는 최신 연구를 파악하고자 하는 연구자, 학생 및 실무자. 신뢰할 수 있는 머신러닝 연구를 탐색하기 위한 구조화된 시작점을 찾거나 새로운 개발 사항을 계속 확인하고 싶은 분들에게 특히 유용합니다.

주요 특징

• arXiv에서 매일 업데이트되어 목록이 항상 최신 상태로 유지됩니다.
• 광범위한 주제를 다룹니다: 분포 외 일반화, 적대적 공격, 포이즈닝 공격, 개인정보 보호, 공정성, 해석 가능성, 정렬 등.
• 각 논문에는 간결한 요약과 전문 링크가 포함되어 있습니다.
• 1년 기간을 넘어서는 이전 논문의 전체 목록을 제공합니다.
• 추가 리소스 링크 제공: 설문 조사, 툴박스, 세미나, 워크숍, 튜토리얼, 강연 및 블로그.
• 활발하게 유지 관리되며 기여(pull requests)를 환영합니다.