論文の概要: Cross-Domain Empirical Risk Minimization for Unbiased Long-tailed Classification

• arxiv url: http://arxiv.org/abs/2112.14380v1
• Date: Wed, 29 Dec 2021 03:18:47 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-30 22:45:28.309324
• Title: Cross-Domain Empirical Risk Minimization for Unbiased Long-tailed Classification
• Title（参考訳）: unbiased long-tailed classificationにおけるクロスドメイン経験的リスク最小化
• Authors: Beier Zhu, Yulei Niu, Xian-Sheng Hua, Hanwang Zhang
• Abstract要約: 従来の長い尾の分類法では見過ごされがちな不偏見に対処する。 バイアスのないモデルをトレーニングするためのクロスドメイン経験的リスク最小化(xERM)を提案する。
• 参考スコア（独自算出の注目度）: 90.17537630880305
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We address the overlooked unbiasedness in existing long-tailed classification methods: we find that their overall improvement is mostly attributed to the biased preference of tail over head, as the test distribution is assumed to be balanced; however, when the test is as imbalanced as the long-tailed training data -- let the test respect Zipf's law of nature -- the tail bias is no longer beneficial overall because it hurts the head majorities. In this paper, we propose Cross-Domain Empirical Risk Minimization (xERM) for training an unbiased model to achieve strong performances on both test distributions, which empirically demonstrates that xERM fundamentally improves the classification by learning better feature representation rather than the head vs. tail game. Based on causality, we further theoretically explain why xERM achieves unbiasedness: the bias caused by the domain selection is removed by adjusting the empirical risks on the imbalanced domain and the balanced but unseen domain. Codes are available at https://github.com/BeierZhu/xERM.
• Abstract（参考訳）: 我々は、既存のロングテール分類法において見過ごされすぎている不偏性に対処する: テスト分布がバランスが取れていると仮定されるため、全体的な改善の要因は主にテールオーバーヘッドの偏りによるが、テストがロングテールトレーニングデータと同じくらい不均衡である場合 -- テストはzipfの自然法則を尊重する -- 、テールバイアスはヘッドメジャーを損なうため、全体としては益がない。 本稿では,両テスト分布の強力な性能を達成するために,偏りのないモデルを訓練するためのクロスドメイン経験的リスク最小化(xerm)を提案する。 因果性に基づいて、XERMが不偏性を達成する理由を理論的に説明し、不均衡領域と不均衡な領域に対する経験的リスクを調整することにより、ドメイン選択によるバイアスを除去する。 コードはhttps://github.com/beierzhu/xermで入手できる。

関連論文リスト

• 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)
• Rectify the Regression Bias in Long-Tailed Object Detection [29.34827806854778]
  長い尾を持つ物体検出は、非常に不均衡なクラス分布のため、大きな課題に直面している。 近年の手法は, 回帰枝の微妙な影響を無視しつつ, 分類バイアスとその損失関数設計に重点を置いている。 本稿では, 回帰バイアスが存在し, 検出精度に悪影響を及ぼすことを示す。
  論文  参考訳（メタデータ） (2024-01-29T04:40:33Z)
• Marginal Debiased Network for Fair Visual Recognition [59.05212866862219]
  本稿では,デバイアス表現を学習するための新しい限界脱バイアスネットワーク(MDN)を提案する。 我々のMDNは、表現不足のサンプルに対して顕著な性能を達成できる。
  論文  参考訳（メタデータ） (2024-01-04T08:57:09Z)
• 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)
• Dual Compensation Residual Networks for Class Imbalanced Learning [98.35401757647749]
  そこで本研究では,尾と頭の両方に適合する2次元補償残差ネットワークを提案する。 オーバーフィッティングを引き起こす重要な要因は、トレーニングとテールクラスのテストデータの間に深刻な特徴ドリフトがあることである。 また,不適合問題を軽減するためにResidual Balanced Multi-Proxies分類器を提案する。
  論文  参考訳（メタデータ） (2023-08-25T04:06:30Z)
• Pseudo Bias-Balanced Learning for Debiased Chest X-ray Classification [57.53567756716656]
  本研究では, バイアスラベルを正確に把握せず, 脱バイアス胸部X線診断モデルの開発について検討した。 本稿では,まずサンプルごとのバイアスラベルをキャプチャし,予測する新しいアルゴリズム,擬似バイアスバランス学習を提案する。 提案手法は他の最先端手法よりも一貫した改善を実現した。
  論文  参考訳（メタデータ） (2022-03-18T11:02:18Z)
• Towards Calibrated Model for Long-Tailed Visual Recognition from Prior Perspective [17.733087434470907]
  実世界のデータは、深刻な階級不均衡問題に直面し、長い尾の分布を示す。 本稿では,このジレンマを緩和する2つの新しい手法を提案する。 まず、UniMix(UniMix)と呼ばれるバランス指向データ拡張を推定し、長期のシナリオでミキサアップを促進する。 第二に、ベイズ理論に動機づけられたベイズバイアス(ベイアズ)は、標準的なクロスエントロピー損失の修正としてそれを補償する。
  論文  参考訳（メタデータ） (2021-11-06T12:53:34Z)
• Debiasing classifiers: is reality at variance with expectation? [9.730485257882433]
  私たちは、デバイアスは実際に、サンプル外データを一般化するのに失敗することが多く、実際は、改善よりも公平さを悪くする可能性があることを示しています。 公正さを考えると、パフォーマンスのトレードオフは、部分的偏りが実際にサンプル外データで実践した場合により良い結果をもたらすという直感的な考え方を正当化する。
  論文  参考訳（メタデータ） (2020-11-04T17:00:54Z)

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。