Fugu-MT 論文翻訳(概要): Deep Clustering based Fair Outlier Detection

論文の概要: Deep Clustering based Fair Outlier Detection

arxiv url: http://arxiv.org/abs/2106.05127v1
Date: Wed, 9 Jun 2021 15:12:26 GMT
ステータス: 処理完了
システム内更新日: 2021-06-10 21:55:44.446465
Title: Deep Clustering based Fair Outlier Detection
Title（参考訳）: 深部クラスタリングに基づくFair Outlier Detection
Authors: Hanyu Song, Peizhao Li, Hongfu Liu
Abstract要約: 本稿では,統合深層クラスタリングと外乱検出を強化するために,インスタンスレベルの重み付き表現学習戦略を提案する。我々のDCFOD法は, 異常検出において, 異常検出の妥当性と2種類のフェアネス概念の両面において, 常に優れた性能を達成している。
参考スコア（独自算出の注目度）: 19.601280507914325
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this paper, we focus on the fairness issues regarding unsupervised outlier detection. Traditional algorithms, without a specific design for algorithmic fairness, could implicitly encode and propagate statistical bias in data and raise societal concerns. To correct such unfairness and deliver a fair set of potential outlier candidates, we propose Deep Clustering based Fair Outlier Detection (DCFOD) that learns a good representation for utility maximization while enforcing the learnable representation to be subgroup-invariant on the sensitive attribute. Considering the coupled and reciprocal nature between clustering and outlier detection, we leverage deep clustering to discover the intrinsic cluster structure and out-of-structure instances. Meanwhile, an adversarial training erases the sensitive pattern for instances for fairness adaptation. Technically, we propose an instance-level weighted representation learning strategy to enhance the joint deep clustering and outlier detection, where the dynamic weight module re-emphasizes contributions of likely-inliers while mitigating the negative impact from outliers. Demonstrated by experiments on eight datasets comparing to 17 outlier detection algorithms, our DCFOD method consistently achieves superior performance on both the outlier detection validity and two types of fairness notions in outlier detection.
Abstract（参考訳）: 本稿では,教師なし異常検出に関する公平性の問題に着目する。従来のアルゴリズムは、アルゴリズムの公正性のための特定の設計を持たず、暗黙的にデータをエンコードし、統計バイアスを伝播させ、社会的関心を高めることができる。このような不公平さを正し、潜在的外れ値候補の公平なセットを提供するため、学習可能な表現をセンシティブな属性にサブグループ不変にしつつ、有効性最大化のよい表現を学習する深層クラスタリングベースのフェア外れ値検出(dcfod)を提案する。クラスタリングと外れ値検出の結合性と相互性を考慮すると、深層クラスタリングを利用して、固有のクラスタ構造と外構造インスタンスを発見する。一方、敵対的トレーニングは、フェアネス適応のインスタンスの敏感なパターンを消去する。動的重み付けモジュールは,外れ値からの負の影響を緩和しながら,帰納可能性の寄与を再強調する。提案手法は,17個の外乱検出アルゴリズムと比較した8つのデータセットの実験により実証され,外乱検出の妥当性と,外乱検出における2種類の公正性の概念の両方において,常に優れた性能を達成している。

関連論文リスト

Regularized Contrastive Partial Multi-view Outlier Detection [76.77036536484114]
RCPMOD(Regularized Contrastive partial Multi-view Outlier Detection)と呼ばれる新しい手法を提案する。このフレームワークでは、コントラスト学習を利用して、ビュー一貫性のある情報を学び、一貫性の度合いでアウトレイラを識別する。 4つのベンチマークデータセットによる実験結果から,提案手法が最先端の競合より優れていることが示された。
論文参考訳（メタデータ） (2024-08-02T14:34:27Z)
BoBa: Boosting Backdoor Detection through Data Distribution Inference in Federated Learning [26.714674251814586]
フェデレーテッド・ラーニングは、その分散した性質のため、毒殺の被害を受けやすい。本稿では,この問題を解決するために,分布認識型異常検出機構であるBoBaを提案する。
論文参考訳（メタデータ） (2024-07-12T19:38:42Z)
From Discrete to Continuous: Deep Fair Clustering With Transferable Representations [6.366934969620947]
離散的かつ連続的な属性を同時に処理できるフレキシブルなディープ・フェア・クラスタリング法を提案する。具体的には、公平でクラスタリングに優しい表現を学習するために、情報ボトルネックスタイルの客観的関数を設計する。既存の作業とは異なり、転送されたタスクの公平性を保証するために、表現レベルに公平性を課す。
論文参考訳（メタデータ） (2024-03-24T15:48:29Z)
Unilaterally Aggregated Contrastive Learning with Hierarchical Augmentation for Anomaly Detection [64.50126371767476]
階層的拡張(UniCon-HA)を用いた一方的集約型コントラスト学習を提案する。我々は、教師付きおよび教師なしの対照的な損失を通じて、インレーヤの濃度と仮想外れ値の分散を明示的に奨励する。本手法は,ラベルなし1クラス,ラベルなしマルチクラス,ラベル付きマルチクラスを含む3つのAD設定で評価される。
論文参考訳（メタデータ） (2023-08-20T04:01:50Z)
On the Universal Adversarial Perturbations for Efficient Data-free Adversarial Detection [55.73320979733527]
本稿では,UAPに対して正常サンプルと逆サンプルの異なる応答を誘導する,データに依存しない逆検出フレームワークを提案する。実験結果から,本手法は様々なテキスト分類タスクにおいて,競合検出性能を実現することが示された。
論文参考訳（メタデータ） (2023-06-27T02:54:07Z)
Cluster Purging: Efficient Outlier Detection based on Rate-Distortion Theory [6.929025509877642]
Cluster Purgingは、クラスタリングベースのアウトレイラ検出の拡張である。本稿では, 生クラスタリングから検出された異常値に対して, クラスタ・パージが改善することを示す。
論文参考訳（メタデータ） (2023-02-22T09:32:37Z)
Cluster-aware Contrastive Learning for Unsupervised Out-of-distribution Detection [0.0]
教師なしアウト・オブ・ディストリビューション(OOD)検出は、ラベル情報なしでトレーニングデータの分布外に落下するサンプルを分離することを目的としている。本稿では,インスタンスレベルの情報と意味レベルの情報の両方を考慮した,教師なしOOD検出のためのクラスタ対応コントラスト学習(CCL)フレームワークを提案する。
論文参考訳（メタデータ） (2023-02-06T07:21:03Z)
Neighbour Consistency Guided Pseudo-Label Refinement for Unsupervised Person Re-Identification [80.98291772215154]
教師なしの人物再識別(ReID)は、アノテーションを使わずに人物検索のための識別的アイデンティティの特徴を学習することを目的としている。近年の進歩はクラスタリングに基づく擬似ラベルを活用することで実現されている。本稿では, Pseudo Label Refinement フレームワークを提案する。
論文参考訳（メタデータ） (2022-11-30T09:39:57Z)
Fairness via Adversarial Attribute Neighbourhood Robust Learning [49.93775302674591]
本稿では,分類ヘッドを損なうために,UnderlineRobust underlineAdversarial underlineAttribute underlineNeighbourhood (RAAN)損失を原則として提案する。
論文参考訳（メタデータ） (2022-10-12T23:39:28Z)
Self-Evolutionary Clustering [1.662966122370634]
既存のディープクラスタリング手法の多くは、単純な距離比較に基づいており、手作り非線形マッピングによって生成されたターゲット分布に大きく依存している。新たなモジュール型自己進化クラスタリング(Self-EvoC)フレームワークが構築され,自己管理的な分類によってクラスタリング性能が向上する。このフレームワークは、サンプルアウトレイラを効率よく識別し、自己監督の助けを借りて、より良い目標分布を生成することができる。
論文参考訳（メタデータ） (2022-02-21T19:38:18Z)
Hybrid Dynamic Contrast and Probability Distillation for Unsupervised Person Re-Id [109.1730454118532]
非監督的人物再識別(Re-Id)は、リードワールドビデオ監視システムにおける実践的応用により注目されている。本稿では,ハイブリッド動的クラスタコントラストと確率蒸留アルゴリズムを提案する。教師なしRe-Id問題を局所-言語的ダイナミックコントラスト学習と自己教師付き確率蒸留の枠組みに統合する。
論文参考訳（メタデータ） (2021-09-29T02:56:45Z)

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。