論文の概要: BiaSwap: Removing dataset bias with bias-tailored swapping augmentation
- arxiv url: http://arxiv.org/abs/2108.10008v1
- Date: Mon, 23 Aug 2021 08:35:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-24 16:04:00.319056
- Title: BiaSwap: Removing dataset bias with bias-tailored swapping augmentation
- Title（参考訳）: BiaSwap: バイアス調整スワップ強化によるデータセットバイアスの除去
- Authors: Eungyeup Kim, Jihyeon Lee, Jaegul Choo
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 20.149645246997668
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep neural networks often make decisions based on the spurious correlations
inherent in the dataset, failing to generalize in an unbiased data
distribution. Although previous approaches pre-define the type of dataset bias
to prevent the network from learning it, recognizing the bias type in the real
dataset is often prohibitive. This paper proposes a novel bias-tailored
augmentation-based approach, BiaSwap, for learning debiased representation
without requiring supervision on the bias type. Assuming that the bias
corresponds to the easy-to-learn attributes, we sort the training images based
on how much a biased classifier can exploits them as shortcut and divide them
into bias-guiding and bias-contrary samples in an unsupervised manner.
Afterwards, we integrate the style-transferring module of the image translation
model with the class activation maps of such biased classifier, which enables
to primarily transfer the bias attributes learned by the classifier. Therefore,
given the pair of bias-guiding and bias-contrary, BiaSwap generates the
bias-swapped image which contains the bias attributes from the bias-contrary
images, while preserving bias-irrelevant ones in the bias-guiding images. Given
such augmented images, BiaSwap demonstrates the superiority in debiasing
against the existing baselines over both synthetic and real-world datasets.
Even without careful supervision on the bias, BiaSwap achieves a remarkable
performance on both unbiased and bias-guiding samples, implying the improved
generalization capability of the model.
- Abstract（参考訳）: ディープニューラルネットワークは、データセットに固有のスプリアス相関に基づいて意思決定することが多く、偏りのないデータ分散では一般化できない。
以前のアプローチでは、ネットワークが学習することを防ぐためにデータセットバイアスの種類を事前に定義していたが、実際のデータセットのバイアスタイプを認識することは、しばしば禁止されている。
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新しいバイアス調整強化手法BiaSwapを提案する。
バイアスが分かり易い属性に対応すると仮定すると、バイアス付き分類器がそれらをどれだけ近道として活用できるかに基づいてトレーニング画像を分類し、教師なしの方法でバイアスガイドとバイアスパターンのサンプルに分割する。
その後、画像翻訳モデルのスタイル変換モジュールと、このようなバイアス付き分類器のクラスアクティベーションマップを統合することにより、分類器が学習したバイアス属性を主に転送することができる。
そのため、バイアスガイドとバイアスコントラストのペアが与えられた場合、バイアスガイド画像中のバイアス非関連画像を保存しつつ、バイアスコントラスト画像からバイアス特性を含むバイアススワップ画像を生成する。
このような拡張画像を考えると、biaswapは、合成データと実世界のデータセットの両方において、既存のベースラインに対するデバイアスの優位性を示している。
BiaSwapはバイアスを注意深く監視することなく、バイアスのないサンプルとバイアスを導くサンプルの両方で顕著なパフォーマンスを達成し、モデルの一般化能力の向上を示唆している。
関連論文リスト
- CosFairNet:A Parameter-Space based Approach for Bias Free Learning [1.9116784879310025]
バイアス付きデータに基づいてトレーニングされたディープニューラルネットワークは、意図しない推論ルールを不注意に学習することが多い。
本稿では,モデルのパラメータ空間内で直接バイアスに対処する新しい手法を提案する。
各種合成および実世界のデータセットにおいて,分類精度の向上と偏りの低減効果を示す。
論文 参考訳（メタデータ） (2024-10-19T13:06:40Z) - Medical Image Debiasing by Learning Adaptive Agreement from a Biased
Council [8.530912655468645]
ディープラーニングは、データセットバイアスによって得られたショートカットを学習する傾向があります。
その重要性にもかかわらず、データセットバイアスに対処する医療画像分類領域では、多くの研究が行われている。
本稿では,バイアスラベルに依存しないバイアス緩和フレームワークであるバイアスド・カウンシル(Ada-ABC)からの学習適応合意を提案する。
論文 参考訳（メタデータ） (2024-01-22T06:29:52Z) - 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) - Debiasing Vision-Language Models via Biased Prompts [79.04467131711775]
本稿では,テキスト埋め込みにおけるバイアスのある方向を投影することで,視覚言語基盤モデルを疎外する一般的な手法を提案する。
偏平投影行列を組み込んだテキストのみをデバイアスすることで、ロバストな分類器と公正な生成モデルが得られることを示す。
論文 参考訳（メタデータ） (2023-01-31T20:09:33Z) - 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) - Self-supervised debiasing using low rank regularization [59.84695042540525]
純粋な相関は、ディープニューラルネットワークの強いバイアスを引き起こし、一般化能力を損なう可能性がある。
ラベルのないサンプルと互換性のある自己監督型脱バイアスフレームワークを提案する。
注目すべきは,提案フレームワークが自己教師付き学習ベースラインの一般化性能を著しく向上させることである。
論文 参考訳（メタデータ） (2022-10-11T08:26:19Z) - 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) - Fighting Fire with Fire: Contrastive Debiasing without Bias-free Data
via Generative Bias-transformation [31.944147533327058]
生成バイアス変換(CDvG)によるコントラスト劣化
本稿では, バイアスラベルやバイアスのないサンプルを伴わないCDvG (Generative Bias-Transformation) によるコントラスト的デバイアス(Contrastive Debiasing) 手法を提案する。
本手法は, バイアスのないサンプルが不足あるいは欠落している場合に, 従来の手法に比べて優れた性能を示す。
論文 参考訳（メタデータ） (2021-12-02T07:16:06Z) - Learning Debiased Representation via Disentangled Feature Augmentation [19.348340314001756]
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。
論文 参考訳（メタデータ） (2021-07-03T08:03:25Z) - Learning from Failure: Training Debiased Classifier from Biased
Classifier [76.52804102765931]
ニューラルネットワークは、所望の知識よりも学習が簡単である場合にのみ、素早い相関に依存することを学習していることを示す。
本稿では,一対のニューラルネットワークを同時にトレーニングすることで,障害に基づくデバイアス化手法を提案する。
本手法は,合成データセットと実世界のデータセットの両方において,各種バイアスに対するネットワークのトレーニングを大幅に改善する。
論文 参考訳（メタデータ） (2020-07-06T07:20:29Z) - Towards Robustifying NLI Models Against Lexical Dataset Biases [94.79704960296108]
本稿では、語彙的データセットバイアスに対するモデル強化のための、データレベルとモデルレベルのデバイアス法の両方について検討する。
まず、データ拡張と拡張によってデータセットをデバイアスするが、この方法でモデルバイアスを完全に除去することはできないことを示す。
第2のアプローチでは、バーオブワードのサブモデルを使用して、バイアスを悪用する可能性のある機能をキャプチャし、元のモデルがこれらのバイアス付き機能を学ぶのを防ぐ。
論文 参考訳（メタデータ） (2020-05-10T17:56:10Z)
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。