論文の概要: Fighting Fire with Fire: Contrastive Debiasing without Bias-free Data
via Generative Bias-transformation
- arxiv url: http://arxiv.org/abs/2112.01021v2
- Date: Wed, 5 Jul 2023 07:02:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-07 00:43:21.474418
- Title: Fighting Fire with Fire: Contrastive Debiasing without Bias-free Data
via Generative Bias-transformation
- Title（参考訳）: 火災と闘う: 生成バイアス変換によるバイアスフリーデータなしの対比的デバイアス
- Authors: Yeonsung Jung, Hajin Shim, June Yong Yang, Eunho Yang
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 31.944147533327058
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep neural networks (DNNs), despite their impressive ability to generalize
over-capacity networks, often rely heavily on malignant bias as shortcuts
instead of task-related information for discriminative tasks. To address this
problem, recent studies utilize auxiliary information related to the bias,
which is rarely obtainable in practice, or sift through a handful of bias-free
samples for debiasing. However, the success of these methods is not always
guaranteed due to the unfulfilled presumptions. In this paper, we propose a
novel method, Contrastive Debiasing via Generative Bias-transformation (CDvG),
which works without explicit bias labels or bias-free samples. Motivated by our
observation that not only discriminative models but also image translation
models tend to focus on the malignant bias, CDvG employs an image translation
model to transform one bias mode into another while preserving the
task-relevant information. Additionally, the bias-transformed views are set
against each other through contrastive learning to learn bias-invariant
representations. Our method demonstrates superior performance compared to prior
approaches, especially when bias-free samples are scarce or absent.
Furthermore, CDvG can be integrated with the methods that focus on bias-free
samples in a plug-and-play manner for additional enhancements, as demonstrated
by diverse experimental results.
- Abstract（参考訳）: ディープニューラルネットワーク(DNN)は、過容量ネットワークを一般化する印象的な能力にもかかわらず、しばしば、識別タスクのタスク関連情報ではなく、ショートカットとして悪性バイアスに大きく依存する。
この問題に対処するために、近年の研究はバイアスに関する補助的な情報を利用しており、これは実際には得られない。
しかしながら、これらの手法の成功は、満たしていない仮定のため、必ずしも保証されない。
本稿では, バイアスラベルやバイアスフリーサンプルを使わずに機能する, 生成バイアス変換(cdvg)によるコントラストデバイアス手法を提案する。
識別モデルだけでなく画像翻訳モデルも悪性バイアスに焦点をあてる傾向にあるという我々の観察に触発されたCDvGは、タスク関連情報を保存しながら、画像翻訳モデルを用いて1つのバイアスモードを別のバイアスに変換する。
さらに、バイアス変換されたビューは、対比学習を通じて互いに設定され、バイアス不変表現を学習する。
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。
さらに、CDvGは、様々な実験結果によって示されるように、プラグアンドプレイ方式でバイアスのないサンプルにフォーカスする手法と統合することができる。
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) - Bias-Conflict Sample Synthesis and Adversarial Removal Debias Strategy
for Temporal Sentence Grounding in Video [67.24316233946381]
TSGV(Temporal Sentence Grounding in Video)は、データセットバイアスの問題に悩まされている。
偏りを伴うサンプル合成と逆行性除去脱バイアス戦略(BSSARD)を提案する。
論文 参考訳（メタデータ） (2024-01-15T09:59:43Z) - 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) - 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) - Delving into Identify-Emphasize Paradigm for Combating Unknown Bias [52.76758938921129]
同定精度を高めるため,有効バイアス強調スコアリング法(ECS)を提案する。
また, マイニングされたバイアスアライメントとバイアスコンプリケート試料のコントリビューションのバランスをとるために, 勾配アライメント(GA)を提案する。
様々な環境で複数のデータセットで実験を行い、提案されたソリューションが未知のバイアスの影響を軽減することを実証した。
論文 参考訳（メタデータ） (2023-02-22T14:50:24Z) - 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) - Unsupervised Learning of Unbiased Visual Representations [10.871587311621974]
ディープニューラルネットワークは、データセットにバイアスが存在するときに堅牢な表現を学習できないことで知られている。
我々は3つのステップからなる完全に教師なしの脱バイアスフレームワークを提案する。
我々は、非バイアスモデルを得るために最先端の教師付き脱バイアス技術を採用している。
論文 参考訳（メタデータ） (2022-04-26T10:51:50Z) - Information-Theoretic Bias Reduction via Causal View of Spurious
Correlation [71.9123886505321]
本稿では,スプリアス相関の因果的解釈による情報理論バイアス測定手法を提案する。
本稿では,バイアス正規化損失を含むアルゴリズムバイアスに対する新しいデバイアスフレームワークを提案する。
提案したバイアス測定とデバイアス法は、多様な現実シナリオで検証される。
論文 参考訳（メタデータ） (2022-01-10T01:19:31Z) - 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) - Learning Debiased Models with Dynamic Gradient Alignment and
Bias-conflicting Sample Mining [39.00256193731365]
ディープニューラルネットワークは、堅牢性、一般化、公正性をモデル化するのに有害なデータセットバイアスに悩まされている。
難解な未知のバイアスと戦うための2段階のデバイアス方式を提案する。
論文 参考訳（メタデータ） (2021-11-25T14:50:10Z) - 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。