bug#4 Key Error

[ShotaArima]

変更内容

• bounds[0]をmin_bounds
• bounds[1]をmax_bounds とし、何が何を表しているのか明確にした

今後の変更について

現在のエラー

---------------------------------------------------------------------------
AssertionError                            Traceback (most recent call last)
/tmp/ipykernel_2374/4182338255.py in <module>
     54 
     55 # Generate adversarial examples
---> 56 df_adv_lpf = gen_adv(config, 'LowProFool')
     57 df_adv_df = gen_adv(config, 'Deepfool')
     58 config['AdvData'] = {'LowProFool' : df_adv_lpf, 'Deepfool' : df_adv_df}

/tmp/ipykernel_2374/1714799004.py in gen_adv(config, method)
     17 
     18         if method == 'LowProFool':
---> 19             orig_pred, adv_pred, x_adv, loop_i = lowProFool(x_tensor, model, weights, bounds, maxiters, alpha, lambda_)
     20         elif method == 'Deepfool':
     21             orig_pred, adv_pred, x_adv, loop_i = deepfool(x_tensor, model, maxiters, alpha, bounds, weights=[])

/src/Adverse.py in lowProFool(x, model, weights, bounds, maxiters, alpha, lambda_)
    111         print("Shape of max_bounds:", max_bounds.shape)
    112         # Clip to stay in legitimate bounds
--> 113         xprime = clip(xprime, min_bounds, max_bounds)
    114 
    115         # Classify adversarial example

/src/Adverse.py in clip(current, low_bound, up_bound)
     10 # Clipping function
...
---> 12     assert(len(current) == len(up_bound) and len(low_bound) == len(up_bound)) # 不一致を許容することも視野に入れる
     13     low_bound = torch.FloatTensor(low_bound)
     14     up_bound = torch.FloatTensor(up_bound)

AssertionError: 
Output is truncated. View as a [scrollable element](command:cellOutput.enableScrolling?734ab76a-20d1-48c5-827c-72ea7c9b919d) or open in a [text editor](command:workbench.action.openLargeOutput?734ab76a-20d1-48c5-827c-72ea7c9b919d). Adjust cell output [settings](command:workbench.action.openSettings?%5B%22%40tag%3AnotebookOutputLayout%22%5D)...

• boundsの処理でxprimeが25次元、min_boundsとmax_boundsは12次元であることからこれらは一致させるべきなのかという問題がある

• cloudeの提案として、

  1. 特徴量の数:
  元々の特徴量の数は12個（min_bounds と max_bounds の長さから推測）ですが、xprime は25次元になっています。これは恐らく、カテゴリカル変数がone-hotエンコーディングされた結果だと考えられます。
  2. bounds の処理:
  現在の lowProFool 関数は、カテゴリカル変数のone-hotエンコーディングを考慮していないようです。

  提案修正

  1. lowProFool 関数内の bounds 処理を修正:

     
     def lowProFool(x, model, weights, bounds, maxiters, alpha, lambda_):
     # boundsから最小値と最大値を抽出
     min_bounds = []
     max_bounds = []
     for feature, info in bounds.items():
     if info['type'] == 'numeric':
         min_bounds.append(info['min'])
         max_bounds.append(info['max'])
     elif info['type'] == 'categorical':
         # カテゴリカル変数の場合、各カテゴリに対して0-1の範囲を設定
         min_bounds.extend([0] * len(info['values']))
         max_bounds.extend([1] * len(info['values']))

  min_bounds = torch.FloatTensor(min_bounds) max_bounds = torch.FloatTensor(max_bounds)

  以下、既存のコード...

  2. clip 関数を修正して、形状の不一致を許容するようにします：
  ```python
  def clip(current, low_bound, up_bound):
  low_bound = torch.FloatTensor(low_bound).expand_as(current)
  up_bound = torch.FloatTensor(up_bound).expand_as(current)
  clipped = torch.max(torch.min(current, up_bound), low_bound)
  return clipped

  3. gen_adv 関数内で bounds を渡す前に、one-hotエンコーディングを考慮した形式に変換します：

     
     def gen_adv(config, method):
     # ... 既存のコード ...

  bounds = config['Bounds'] encoded_bounds = {} for feature, info in bounds.items(): if info['type'] == 'numeric': encoded_bounds[feature] = info elif info['type'] == 'categorical': for value in info['values']: encodedbounds[f"{feature}{value}"] = {'type': 'numeric', 'min': 0, 'max': 1}

  ... 残りのコード ...

  if method == 'LowProFool': orig_pred, adv_pred, x_adv, loop_i = lowProFool(x_tensor, model, weights, encodedbounds, maxiters, alpha, lambda)

  ... 残りのコード ...

  
  > これらの修正により、カテゴリカル変数のone-hotエンコーディングが適切に処理され、xprime、min_bounds、max_bounds の長さが一致するはずです。この変更を適用した後、再度実行してエラーが解決されるか確認してください。