Fugu-MT 論文翻訳(概要): Deconfounding and Causal Regularization for Stability and External Validity

論文の概要: Deconfounding and Causal Regularization for Stability and External Validity

arxiv url: http://arxiv.org/abs/2008.06234v1
Date: Fri, 14 Aug 2020 08:08:41 GMT
ステータス: 処理完了
システム内更新日: 2022-10-30 17:36:47.647414
Title: Deconfounding and Causal Regularization for Stability and External Validity
Title（参考訳）: 安定性と外部妥当性の解消と因果正規化
Authors: Peter B\"uhlmann, Domagoj \'Cevid
Abstract要約: 統一的な視点から隠れたコンファウンディングと因果正則化を除去する最近の研究を概観する。異種データの安定性, 複製性, 分散ロバスト性を, シンプルでユーザフレンドリな手法で改善する方法について述べる。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We review some recent work on removing hidden confounding and causal regularization from a unified viewpoint. We describe how simple and user-friendly techniques improve stability, replicability and distributional robustness in heterogeneous data. In this sense, we provide additional thoughts to the issue on concept drift, raised by Efron (2020), when the data generating distribution is changing.
Abstract（参考訳）: 統一的な視点から隠れた推論と因果正則化を取り除くための最近の研究を概観する。不均一なデータの安定性, 複製性, 分散ロバスト性の向上について述べる。この意味で、データ生成の分布が変化しているときに、Efron (2020) によって提起されたコンセプトドリフト問題にさらなる考え方を提供する。

関連論文リスト

The Risk of Federated Learning to Skew Fine-Tuning Features and Underperform Out-of-Distribution Robustness [50.52507648690234]
フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。 3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
論文参考訳（メタデータ） (2024-01-25T09:18:51Z)
Towards Robust Aspect-based Sentiment Analysis through Non-counterfactual Augmentations [40.71705332298682]
非事実的データ拡張に依存する代替手法を提案する。我々のアプローチはさらにABSAロバストネスベンチマークの新たな最先端を確立し、ドメイン間でうまく転送する。
論文参考訳（メタデータ） (2023-06-24T13:57:32Z)
Elastic Interaction Energy-Based Generative Model: Approximation in Feature Space [14.783344918500813]
弾性相互作用エネルギー(EIE)に基づく損失関数を用いた生成モデリングの新しい手法を提案する。 EIEに基づく計量の利用は、分布のグローバルな情報を考慮した長距離特性など、いくつかの利点を示す。 MNIST、FashionMNIST、CIFAR-10、CelebAなどの一般的なデータセットに対する実験結果から、EIEG GANモデルがモード崩壊を緩和し、安定性を向上し、モデル性能を向上させることを示した。
論文参考訳（メタデータ） (2023-03-19T03:39:31Z)
Certifying Model Accuracy under Distribution Shifts [151.67113334248464]
本稿では,データ分布の有界ワッサースタインシフトの下でのモデルの精度について,証明可能なロバスト性保証を提案する。変換空間におけるモデルの入力をランダム化する単純な手順は、変換の下での分布シフトに対して確実に堅牢であることを示す。
論文参考訳（メタデータ） (2022-01-28T22:03:50Z)
Learning Conditional Invariance through Cycle Consistency [60.85059977904014]
本稿では,データセットの変動の有意義な要因と独立な要因を識別する新しい手法を提案する。提案手法は,対象プロパティと残りの入力情報に対する2つの別個の潜在部分空間を含む。我々は,より意味のある因子を同定し,よりスペーサーや解釈可能なモデルに導く合成および分子データについて実証する。
論文参考訳（メタデータ） (2021-11-25T17:33:12Z)
Regularizing Variational Autoencoder with Diversity and Uncertainty Awareness [61.827054365139645]
変分オートエンコーダ(VAE)は、償却変分推論に基づいて潜伏変数の後部を近似する。よりディバースで不確実な潜在空間を学習するための代替モデルDU-VAEを提案する。
論文参考訳（メタデータ） (2021-10-24T07:58:13Z)
Robust Bayesian Inference for Discrete Outcomes with the Total Variation Distance [5.139874302398955]
離散的に評価された結果のモデルは、データがゼロインフレーション、過分散または汚染を示す場合、容易に誤特定される。ここでは、Ttal Variation Distance (TVD) を用いた頑健な相違に基づくベイズ的アプローチを提案する。我々は、我々のアプローチが堅牢で、シミュレーションおよび実世界のデータの範囲で予測性能を著しく改善していることを実証的に実証した。
論文参考訳（メタデータ） (2020-10-26T09:53:06Z)
Maximum-Entropy Adversarial Data Augmentation for Improved Generalization and Robustness [21.630597505797073]
敵データ拡張のための新しい効果的な正則化項を提案する。理論的には、最大エントロピーの定式化をもたらす情報ボトルネック原理から導出する。我々の手法は、統計的に有意なマージンで、既存の最先端技術よりも一貫して優れています。
論文参考訳（メタデータ） (2020-10-15T20:02:23Z)
Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文参考訳（メタデータ） (2020-06-26T13:50:19Z)
Discrete Variational Attention Models for Language Generation [51.88612022940496]
本稿では,言語における離散性に起因する注意機構のカテゴリー分布を考慮した離散的変動注意モデルを提案する。離散性の特質により,提案手法の訓練は後部崩壊に支障を来さない。
論文参考訳（メタデータ） (2020-04-21T05:49:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。