論文の概要: Learning Debiased Representation via Disentangled Feature Augmentation
- arxiv url: http://arxiv.org/abs/2107.01372v1
- Date: Sat, 3 Jul 2021 08:03:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-07 09:51:53.817014
- Title: Learning Debiased Representation via Disentangled Feature Augmentation
- Title（参考訳）: disentangled feature augmentation による脱バイアス表現の学習
- Authors: Eungyeup Kim, Jungsoo Lee, Juyoung Lee, Jihyeon Lee, Jaegul Choo
- Abstract要約: 本稿では, 様々なバイアスを伴うサンプルを用いたトレーニングが, 脱バイアスに不可欠であることを示す実験的検討を行った。
本稿では, 多様なバイアス分散サンプルを合成するために, 特徴レベルのデータ拡張手法を提案する。
- 参考スコア（独自算出の注目度）: 19.348340314001756
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Image classification models tend to make decisions based on peripheral
attributes of data items that have strong correlation with a target variable
(i.e., dataset bias). These biased models suffer from the poor generalization
capability when evaluated on unbiased datasets. Existing approaches for
debiasing often identify and emphasize those samples with no such correlation
(i.e., bias-conflicting) without defining the bias type in advance. However,
such bias-conflicting samples are significantly scarce in biased datasets,
limiting the debiasing capability of these approaches. This paper first
presents an empirical analysis revealing that training with "diverse"
bias-conflicting samples beyond a given training set is crucial for debiasing
as well as the generalization capability. Based on this observation, we propose
a novel feature-level data augmentation technique in order to synthesize
diverse bias-conflicting samples. To this end, our method learns the
disentangled representation of (1) the intrinsic attributes (i.e., those
inherently defining a certain class) and (2) bias attributes (i.e., peripheral
attributes causing the bias), from a large number of bias-aligned samples, the
bias attributes of which have strong correlation with the target variable.
Using the disentangled representation, we synthesize bias-conflicting samples
that contain the diverse intrinsic attributes of bias-aligned samples by
swapping their latent features. By utilizing these diversified bias-conflicting
features during the training, our approach achieves superior classification
accuracy and debiasing results against the existing baselines on both synthetic
as well as real-world datasets.
- Abstract（参考訳）: 画像分類モデルは、ターゲット変数(すなわちデータセットバイアス)と強い相関を持つデータ項目の周辺属性に基づいて決定を行う傾向がある。
これらのバイアス付きモデルは、偏りのないデータセットで評価した場合、一般化能力の低下に悩まされる。
デバイアスに対する既存のアプローチは、バイアスタイプを事前に定義することなく、そのような相関のないサンプル(例えばバイアス競合)を識別し強調することが多い。
しかし、そのような偏りを伴うサンプルはバイアス付きデータセットでは著しく不足しており、これらのアプローチの偏りを抑えることができる。
本稿では,まず,与えられた学習セットを超えたバイアス・コンフリクト・サンプルを用いたトレーニングが,一般化能力だけでなくデバイアスにも不可欠であることを示す経験的分析を行う。
そこで本研究では,様々なバイアス競合サンプルを合成するために,新しい特徴量データ拡張手法を提案する。
そこで本研究では,(1)固有の属性(すなわち,あるクラスを本質的に定義する属性)と(2)バイアス属性(すなわち,バイアスを引き起こす周辺属性)を,多数のバイアス整合サンプルから学習し,そのバイアス属性が対象変数と強い相関関係にあることを示す。
この不連続表現を用いて,バイアス整合サンプルの多様な固有属性を含むバイアス競合サンプルを,潜在特徴の入れ替えによって合成する。
トレーニング中にこれらの多様なバイアス競合機能を利用することで,既存のベースラインや実世界のデータセットに対して,より優れた分類精度とデバイアス結果が得られる。
関連論文リスト
- Looking at Model Debiasing through the Lens of Anomaly Detection [11.113718994341733]
ディープニューラルネットワークはデータのバイアスに敏感である。
本稿では,異常検出に基づく新しいバイアス同定手法を提案する。
合成および実際のベンチマークデータセット上で、最先端のパフォーマンスに到達する。
論文 参考訳（メタデータ） (2024-07-24T17:30:21Z) - Enhancing Intrinsic Features for Debiasing via Investigating Class-Discerning Common Attributes in Bias-Contrastive Pair [36.221761997349795]
ディープニューラルネットワークは、データセットバイアスの存在下でターゲットクラスと急激な相関を持つバイアス特性に依存している。
本稿では,本質的特徴の領域を示す空間的指示を明示的に提示する手法を提案する。
実験により, 種々のバイアス重大度を有する合成および実世界のデータセットに対して, 最先端の性能を達成できることが実証された。
論文 参考訳（メタデータ） (2024-04-30T04:13:14Z) - Revisiting the Dataset Bias Problem from a Statistical Perspective [72.94990819287551]
統計的観点から「データセットバイアス」問題を考察する。
問題の主な原因は、クラス属性 u と非クラス属性 b の強い相関関係である。
本稿では,各試料nの目的をフラクタル1p(u_n|b_n)で重み付けするか,その試料をフラクタル1p(u_n|b_n)に比例してサンプリングすることにより,データセットバイアスを軽減することを提案する。
論文 参考訳（メタデータ） (2024-02-05T22:58:06Z) - Improving Bias Mitigation through Bias Experts in Natural Language
Understanding [10.363406065066538]
補助モデルと主モデルの間に二項分類器を導入するデバイアス化フレームワークを提案する。
提案手法は補助モデルのバイアス識別能力を向上させる。
論文 参考訳（メタデータ） (2023-12-06T16:15:00Z) - IBADR: an Iterative Bias-Aware Dataset Refinement Framework for
Debiasing NLU models [52.03761198830643]
IBADR(Iterative Bias-Aware dataset Refinement framework)を提案する。
まず、プール内のサンプルのバイアス度を定量化するために浅いモデルを訓練する。
次に、各サンプルにバイアス度を表すバイアス指標をペアにして、これらの拡張サンプルを使用してサンプルジェネレータを訓練する。
このようにして、このジェネレータは、バイアスインジケータとサンプルの対応関係を効果的に学習することができる。
論文 参考訳（メタデータ） (2023-11-01T04:50:38Z) - Causality and Independence Enhancement for Biased Node Classification [56.38828085943763]
各種グラフニューラルネットワーク(GNN)に適用可能な新しい因果性・独立性向上(CIE)フレームワークを提案する。
提案手法は,ノード表現レベルでの因果的特徴と突発的特徴を推定し,突発的相関の影響を緩和する。
我々のアプローチCIEは、GNNの性能を大幅に向上するだけでなく、最先端の debiased ノード分類法よりも優れています。
論文 参考訳（メタデータ） (2023-10-14T13:56:24Z) - Echoes: Unsupervised Debiasing via Pseudo-bias Labeling in an Echo
Chamber [17.034228910493056]
本稿では,既存のバイアスモデルがトレーニングデータにおけるバイアス強調サンプルに過度に適合していることを明らかにする実験的検討を行った。
本研究では、バイアスモデルとターゲットモデルを異なる戦略で訓練するEchoesという、単純で効果的な手法を提案する。
提案手法は,既存の合成データセットと実世界のデータセットのベースラインと比較して,優れたデバイアス化結果が得られる。
論文 参考訳（メタデータ） (2023-05-06T13:13:18Z) - Feature-Level Debiased Natural Language Understanding [86.8751772146264]
既存の自然言語理解(NLU)モデルは、特定のデータセットで高いパフォーマンスを達成するために、データセットバイアスに依存することが多い。
本稿では, バイアスの潜在特性を緩和し, バイアスの動的性質を無視するために, DCT(Debiasing contrastive learning)を提案する。
DCTは、ディストリビューション内のパフォーマンスを維持しながら、アウトオブディストリビューションデータセットの最先端のベースラインを上回ります。
論文 参考訳（メタデータ） (2022-12-11T06:16:14Z) - General Greedy De-bias Learning [163.65789778416172]
本稿では,関数空間における勾配降下のような偏りのあるモデルとベースモデルを優雅に訓練する一般グリーディ・デバイアス学習フレームワーク(GGD)を提案する。
GGDは、事前知識を持つタスク固有バイアスモデルと、事前知識を持たない自己アンサンブルバイアスモデルの両方の設定の下で、より堅牢なベースモデルを学ぶことができる。
論文 参考訳（メタデータ） (2021-12-20T14:47:32Z) - Balancing out Bias: Achieving Fairness Through Training Reweighting [58.201275105195485]
自然言語処理におけるバイアスは、性別や人種などの著者の特徴を学習するモデルから生じる。
既存のバイアスの緩和と測定方法は、著者の人口統計学と言語変数の相関を直接考慮していない。
本稿では,インスタンス再重み付けを用いたバイアス対策法を提案する。
論文 参考訳（メタデータ） (2021-09-16T23:40:28Z) - BiaSwap: Removing dataset bias with bias-tailored swapping augmentation [20.149645246997668]
ディープニューラルネットワークは、データセット固有のスプリットな相関に基づいて決定することが多く、偏りのないデータ分布を一般化することができない。
本稿では,バイアスタイプの監督を必要とせず,非バイアス表現を学習するための,バイアス調整強化に基づく新しいアプローチBiaSwapを提案する。
論文 参考訳（メタデータ） (2021-08-23T08:35:26Z)
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。