論文の概要: Controlling Directions Orthogonal to a Classifier

• arxiv url: http://arxiv.org/abs/2201.11259v1
• Date: Thu, 27 Jan 2022 01:23:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-01-29 01:43:20.818746
• Title: Controlling Directions Orthogonal to a Classifier
• Title（参考訳）: 分類器への直交方向の制御
• Authors: Yilun Xu, Hao He, Tianxiao Shen, Tommi Jaakkola
• Abstract要約: 本稿では,与えられた分類器に不変な方向を識別し,それらの方向をスタイル転送などのタスクで制御できるようにすることを提案する。 直交変動の制御が重要である3つのユースケースとして,スタイル伝達,ドメイン適応,公平性を挙げる。 コードはhttp://github.com/Newbeeer/orthogonal_classifierで入手できる。
• 参考スコア（独自算出の注目度）: 11.882219706353045
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose to identify directions invariant to a given classifier so that these directions can be controlled in tasks such as style transfer. While orthogonal decomposition is directly identifiable when the given classifier is linear, we formally define a notion of orthogonality in the non-linear case. We also provide a surprisingly simple method for constructing the orthogonal classifier (a classifier utilizing directions other than those of the given classifier). Empirically, we present three use cases where controlling orthogonal variation is important: style transfer, domain adaptation, and fairness. The orthogonal classifier enables desired style transfer when domains vary in multiple aspects, improves domain adaptation with label shifts and mitigates the unfairness as a predictor. The code is available at http://github.com/Newbeeer/orthogonal_classifier
• Abstract（参考訳）: これらの方向をスタイル転送などのタスクで制御できるように,与えられた分類器に不変な方向を特定することを提案する。 直交分解は与えられた分類器が線型であるときに直接同定できるが、非線形の場合の直交性の概念を形式的に定義する。 また,直交分類器(与えられた分類器以外の方向を利用した分類器)を構築するための驚くほど簡単な方法を提案する。 経験的に, 直交変動の制御が重要となる3つのユースケース, スタイル伝達, ドメイン適応, 公平性を示す。 直交分類器は、複数の側面が異なる場合に所望のスタイル転送を可能にし、ラベルシフトによるドメイン適応を改善し、予測者としての不公平さを緩和する。 コードはhttp://github.com/Newbeeer/orthogonal_classifierで入手できる。

関連論文リスト

• Benign Overfitting and the Geometry of the Ridge Regression Solution in Binary Classification [75.01389991485098]
  リッジ回帰はクラスタ平均ベクトルのスケールによって定性的に異なる挙動を示す。 スケールが非常に大きいレジームでは、良心過剰を許容する条件は回帰タスクと同一であることが判明した。
  論文  参考訳（メタデータ） (2025-03-11T01:45:42Z)
• Householder Projector for Unsupervised Latent Semantics Discovery [58.92485745195358]
  Householder Projectorは、画像の忠実さを犠牲にすることなく、StyleGANがより複雑で正確なセマンティック属性を見つけるのに役立つ。 プロジェクタを事前訓練したStyleGAN2/StyleGAN3に統合し、複数のベンチマークでモデルを評価する。
  論文  参考訳（メタデータ） (2023-07-16T11:43:04Z)
• Self-Supervised Learning for Group Equivariant Neural Networks [75.62232699377877]
  群同変ニューラルネットワーク(英: Group equivariant Neural Network)は、入力の変換で通勤する構造に制限されたモデルである。 自己教師型タスクには、同変プリテキストラベルと異変コントラスト損失という2つの概念を提案する。 標準画像認識ベンチマークの実験では、同変ニューラルネットワークが提案された自己教師型タスクを利用することを示した。
  論文  参考訳（メタデータ） (2023-03-08T08:11:26Z)
• On the Implicit Bias of Linear Equivariant Steerable Networks [9.539074889921935]
  群不変二元分類における線形同変ステアブルネットワーク上の勾配流の暗黙バイアスについて検討する。 入力表現のユニタリな仮定の下では、ステアブルネットワークとデータ拡張の等価性を確立する。
  論文  参考訳（メタデータ） (2023-03-07T19:37:35Z)
• Adapting to Latent Subgroup Shifts via Concepts and Proxies [82.01141290360562]
  最適ターゲット予測器は、ソースドメインでのみ利用できる概念とプロキシ変数の助けを借りて、非パラメトリックに識別可能であることを示す。 本研究では,データ生成プロセスに特有の潜在変数モデルを提案する。
  論文  参考訳（メタデータ） (2022-12-21T18:30:22Z)
• A Simple Strategy to Provable Invariance via Orbit Mapping [14.127786615513978]
  本稿では,グループ行動に関して,ネットワークアーキテクチャを確実に不変にする方法を提案する。 簡単に言えば、実際のネットワークにデータを送る前に、可能なトランスフォーメーションを“無効化”するつもりです。
  論文  参考訳（メタデータ） (2022-09-24T03:40:42Z)
• Cross-domain Detection Transformer based on Spatial-aware and Semantic-aware Token Alignment [31.759205815348658]
  クロスドメイン検出変換器のための空間認識および意味認識トークンアライメント(SSTA)と呼ばれる新しい手法を提案する。 空間認識型トークンアライメントでは、クロスアテンションマップ(CAM)から情報を抽出して、トークンの分布をオブジェクトクエリへの注目に応じて調整することができる。 意味認識型トークンアライメントでは、カテゴリ情報をクロスアテンションマップに注入し、ドメイン埋め込みを構築し、マルチクラスの識別器の学習をガイドする。
  論文  参考訳（メタデータ） (2022-06-01T04:13:22Z)
• Shape-Pose Disentanglement using SE(3)-equivariant Vector Neurons [59.83721247071963]
  本研究では,点雲を標準形状表現に符号化するための教師なし手法を提案する。 エンコーダは安定で一貫性があり、形状のエンコーダは純粋にポーズ不変である。 抽出された回転と変換は、同じクラスの異なる入力形状を共通の標準ポーズに意味的に整合させることができる。
  論文  参考訳（メタデータ） (2022-04-03T21:00:44Z)
• On the rate of convergence of a classifier based on a Transformer encoder [55.41148606254641]
  最適誤分類確率に対する分類器の誤分類確率の収束率を分析する。 この分類器は,アポテリオリ確率が適切な階層的構成モデルを満たす場合,次元性の呪いを回避することができる。
  論文  参考訳（メタデータ） (2021-11-29T14:58:29Z)
• Commutative Lie Group VAE for Disentanglement Learning [96.32813624341833]
  本研究では,データに表される因子の変動を同変的に反映する基盤構造を見いだすこととして,非絡み合い学習を考察する。 グループベースの非絡み合い学習を実現するために、Communative Lie Group VAEというシンプルなモデルが導入された。 実験により,本モデルでは,教師なしの非絡み合い表現を効果的に学習し,余分な制約を伴わずに最先端のパフォーマンスを達成できることが示されている。
  論文  参考訳（メタデータ） (2021-06-07T07:03:14Z)

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。