論文の概要: Finding and Fixing Spurious Patterns with Explanations
- arxiv url: http://arxiv.org/abs/2106.02112v1
- Date: Thu, 3 Jun 2021 20:07:46 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-08 13:12:14.004808
- Title: Finding and Fixing Spurious Patterns with Explanations
- Title(参考訳): 説明付きスプリアスパターンの発見と修正
- Authors: Gregory Plumb, Marco Tulio Ribeiro, Ameet Talwalkar
- Abstract要約: 画像分類器のスプリアスパターンを識別・緩和するためのエンドツーエンドパイプラインを提案する。
人を隠すとテニスラケットの予測が63%の時間変化する」といったパターンが見つかる。
そして、パターンが刺激的であれば、新しい形式のデータ拡張によってそれを緩和します。
- 参考スコア(独自算出の注目度): 14.591545536354621
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine learning models often use spurious patterns such as "relying on the
presence of a person to detect a tennis racket," which do not generalize. In
this work, we present an end-to-end pipeline for identifying and mitigating
spurious patterns for image classifiers. We start by finding patterns such as
"the model's prediction for tennis racket changes 63% of the time if we hide
the people." Then, if a pattern is spurious, we mitigate it via a novel form of
data augmentation. We demonstrate that this approach identifies a diverse set
of spurious patterns and that it mitigates them by producing a model that is
both more accurate on a distribution where the spurious pattern is not helpful
and more robust to distribution shift.
- Abstract(参考訳): 機械学習モデルは多くの場合、一般化しない「テニスラケットを検出するために人が存在すること」のようなスプリアスパターンを用いる。
本稿では,画像分類器のスプリアスパターンを識別・緩和するためのエンドツーエンドパイプラインを提案する。
モデルによるテニスラケットの予測は、人々が隠れている場合の63%の時間変化」のようなパターンを見つけることから始める。
そして、もしパターンがスプリアスであれば、新しい形式のデータ拡張によって緩和します。
我々は,このアプローチが多様なスプリアスパターンを識別し,スプリアスパターンが役に立たず,分散シフトにロバストな分布において,より精度の高いモデルを作ることによって,それらを軽減することを実証する。
関連論文リスト
- Towards Pattern-aware Data Augmentation for Temporal Knowledge Graph Completion [18.51546761241817]
本稿では、時間的知識グラフのための最初のデータ拡張戦略であるBoosterを紹介する。
本稿では,TKG内の三進的閉包に基づく階層的スコアリングアルゴリズムを提案する。
また、モデルが好むパターンから逸脱するサンプルを特定するための2段階のトレーニング手法を提案する。
論文 参考訳(メタデータ) (2024-12-31T03:47:19Z) - Learning to Jump: Thinning and Thickening Latent Counts for Generative
Modeling [69.60713300418467]
ジャンプの学習は、様々な種類のデータの生成モデリングのための一般的なレシピである。
ジャンプの学習が、デノゼの学習と相容れないパフォーマンスを期待される場合と、より良いパフォーマンスを期待される場合を実証する。
論文 参考訳(メタデータ) (2023-05-28T05:38:28Z) - DiffPattern: Layout Pattern Generation via Discrete Diffusion [16.148506119712735]
信頼性の高いレイアウトパターンを生成するツールDiffPatternを提案する。
いくつかのベンチマーク設定の実験では、ToolDiffPatternが既存のベースラインを大幅に上回っていることが示されています。
論文 参考訳(メタデータ) (2023-03-23T06:16:14Z) - Right for the Right Latent Factors: Debiasing Generative Models via
Disentanglement [20.41752850243945]
統計機械学習手法の主要な前提は、テスト時に遭遇したデータの分布から独立したサンプルにアクセスすることである。
特に、機械学習モデルは、Clever-Hansのような振る舞いを示すことが示されている。
本稿では,人的フィードバックによって達成される内部表現を解消し,生成モデルをデバイアス化する手法を提案する。
論文 参考訳(メタデータ) (2022-02-01T13:16:18Z) - Probabilistic Modeling for Human Mesh Recovery [73.11532990173441]
本稿では,2次元の証拠から3次元の人体復元の問題に焦点を当てた。
我々は,この問題を,入力から3Dポーズの分布へのマッピング学習として再考した。
論文 参考訳(メタデータ) (2021-08-26T17:55:11Z) - Generative Models as Distributions of Functions [72.2682083758999]
生成モデルは一般的に、画像のようなグリッドのようなデータに基づいて訓練される。
本稿では,離散格子を放棄し,連続関数による個々のデータポイントのパラメータ化を行う。
論文 参考訳(メタデータ) (2021-02-09T11:47:55Z) - Unsupervised Noisy Tracklet Person Re-identification [100.85530419892333]
本稿では,非照合トラックレットデータから識別的人物再識別モデルを訓練できる選択的トラックレット学習(STL)手法を提案する。
これにより、カメラビュー全体で人物の画像/トラックレットの真のマッチングペアを完全にラベル付けする面倒でコストのかかるプロセスが回避されます。
提案手法は生トラックレットの任意のノイズデータに対して特に頑健であるため,制約のない追跡データから識別モデル学習にスケーラブルである。
論文 参考訳(メタデータ) (2021-01-16T07:31:00Z) - When Hearst Is not Enough: Improving Hypernymy Detection from Corpus
with Distributional Models [59.46552488974247]
本稿では,大きなテキストコーパスの助けを借りて,単語 (x, y) 間のis-a関係が存在するかどうかを論じる。
近年の研究では、大規模なハーストペアを抽出して給餌し、目に見えない(x, y)ペアの親和性が緩和された場合、パターンベースのペアの方が優れていることが示唆されている。
本稿では,これらの特定の事例の非無視的存在を初めて定量化し,その場合の分布法がパターンベースの事例を補うのに最適であることを示す。
論文 参考訳(メタデータ) (2020-10-10T08:34:19Z) - Understanding Classifier Mistakes with Generative Models [88.20470690631372]
ディープニューラルネットワークは教師付き学習タスクに有効であるが、脆弱であることが示されている。
本稿では、生成モデルを利用して、分類器が一般化に失敗するインスタンスを特定し、特徴付ける。
我々のアプローチは、トレーニングセットのクラスラベルに依存しないため、半教師付きでトレーニングされたモデルに適用できる。
論文 参考訳(メタデータ) (2020-10-05T22:13:21Z)
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。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。