論文の概要: Adversarial Counterfactual Augmentation: Application in Alzheimer's
Disease Classification
- arxiv url: http://arxiv.org/abs/2203.07815v1
- Date: Tue, 15 Mar 2022 12:11:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-17 00:20:15.337380
- Title: Adversarial Counterfactual Augmentation: Application in Alzheimer's
Disease Classification
- Title(参考訳): 対人対人増悪:アルツハイマー病の分類における応用
- Authors: Tian Xia, Pedro Sanchez, Chen Qin, Sotirios A. Tsaftaris
- Abstract要約: 逆プロパゲーションにより、生成器の入力テキスト条件係数と下流テキスト条件分類器を更新する対角ゲームを構築する。
提案手法は,テスト精度を向上し,突発的相関を緩和できることを示す。
- 参考スコア(独自算出の注目度): 18.396331077506296
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Data augmentation has been widely used in deep learning to reduce
over-fitting and improve the robustness of models. However, traditional data
augmentation techniques, e.g., rotation, cropping, flipping, etc., do not
consider \textit{semantic} transformations, e.g., changing the age of a brain
image. Previous works tried to achieve semantic augmentation by generating
\textit{counterfactuals}, but they focused on how to train deep generative
models and randomly created counterfactuals with the generative models without
considering which counterfactuals are most \textit{effective} for improving
downstream training. Different from these approaches, in this work, we propose
a novel adversarial counterfactual augmentation scheme that aims to find the
most \textit{effective} counterfactuals to improve downstream tasks with a
pre-trained generative model. Specifically, we construct an adversarial game
where we update the input \textit{conditional factor} of the generator and the
downstream \textit{classifier} with gradient backpropagation alternatively and
iteratively. The key idea is to find conditional factors that can result in
\textit{hard} counterfactuals for the classifier. This can be viewed as finding
the `\textit{weakness}' of the classifier and purposely forcing it to
\textit{overcome} its weakness via the generative model. To demonstrate the
effectiveness of the proposed approach, we validate the method with the
classification of Alzheimer's Disease (AD) as the downstream task based on a
pre-trained brain ageing synthesis model. We show the proposed approach
improves test accuracy and can alleviate spurious correlations. Code will be
released upon acceptance.
- Abstract(参考訳): データ拡張は、過剰フィッティングを減らし、モデルの堅牢性を改善するために、ディープラーニングで広く使われている。
しかし、ローテーション、トリミング、フリップなど伝統的なデータ拡張技術では、例えば、脳画像の年齢を変更するような \textit{semantic} 変換は考慮していない。
従来の研究は,「textit{counterfactuals」を生成することによって意味増強を実現しようとしたが,下流トレーニングを改善するために最も「textit{ Effective}」がどれかを考えることなく,深層生成モデルを訓練し,無作為生成モデルで反事実をランダムに生成する方法に焦点をあてた。
これらのアプローチとは違って,本研究では,事前学習した生成モデルを用いて下流タスクを改善するために,最も\textit{effective} な逆元を見つけることを目的とした,新しい逆相反相加法を提案する。
具体的には、ジェネレータの入力 \textit{conditional factor} と下流 \textit{classifier} を、勾配バックプロパゲーションを交互かつ反復的に更新する逆ゲームを構築する。
鍵となる考え方は、分類器の \textit{hard} の反ファクトとなる条件因子を見つけることである。
これは分類器の `\textit{weakness}' を見つけ、意図的に生成モデルを通じてその弱値を \textit{overcome} に強制すると見なすことができる。
提案手法の有効性を実証するために,前訓練した脳老化合成モデルに基づいて,アルツハイマー病(AD)を下流課題として分類し,本手法の有効性を検証した。
提案手法はテスト精度を向上し,素早い相関を緩和できることを示す。
コードは受理時にリリースされる。
関連論文リスト
- Generative Multi-modal Models are Good Class-Incremental Learners [51.5648732517187]
クラス増分学習のための新しい生成型マルチモーダルモデル(GMM)フレームワークを提案する。
提案手法は適応生成モデルを用いて画像のラベルを直接生成する。
Few-shot CIL設定では、現在の最先端のすべてのメソッドに対して少なくとも14%精度が向上し、忘れてはならない。
論文 参考訳(メタデータ) (2024-03-27T09:21:07Z) - CO3: Low-resource Contrastive Co-training for Generative Conversational Query Rewrite [37.90113105682004]
生成的クエリ書き換えは、会話履歴を用いて再構成されたクエリ書き換えを生成する。
これらの手法は固有のノイズに敏感であるのに対して、このタスクではショットラーニングが人気が高まっている。
ノイズと言語スタイルのシフトに頑健な低リソース生成型対話型クエリ書き換えについて検討する。
論文 参考訳(メタデータ) (2024-03-18T15:26:32Z) - Forging the Forger: An Attempt to Improve Authorship Verification via Data Augmentation [52.72682366640554]
著者検証(英語: Authorship Verification, AV)とは、ある特定の著者によって書かれたか、別の人物によって書かれたのかを推測するテキスト分類タスクである。
多くのAVシステムは敵の攻撃に弱いことが示されており、悪意のある著者は、その書体スタイルを隠蔽するか、あるいは他の著者の書体を模倣することによって、積極的に分類者を騙そうとしている。
論文 参考訳(メタデータ) (2024-03-17T16:36:26Z) - Efficient and Flexible Topic Modeling using Pretrained Embeddings and
Bag of Sentences [1.8592384822257952]
本稿では,新しいトピックモデリングと推論アルゴリズムを提案する。
我々は,生成過程モデルとクラスタリングを組み合わせることで,事前学習文の埋め込みを活用する。
The Tailor の評価は,本手法が比較的少ない計算要求で最先端の成果をもたらすことを示している。
論文 参考訳(メタデータ) (2023-02-06T20:13:11Z) - A Sparsity-promoting Dictionary Model for Variational Autoencoders [16.61511959679188]
深層生成モデルにおける潜伏空間の構造化は、より表現力のあるモデルと解釈可能な表現を得るために重要である。
本稿では,空間の空間構造をスパーシティ・プロモーティング・辞書・モデルを用いて簡易かつ効果的に構築する手法を提案する。
論文 参考訳(メタデータ) (2022-03-29T17:13:11Z) - X-model: Improving Data Efficiency in Deep Learning with A Minimax Model [78.55482897452417]
ディープラーニングにおける分類と回帰設定の両面でのデータ効率の向上を目標とする。
両世界の力を生かすために,我々は新しいX-モデルを提案する。
X-モデルは、特徴抽出器とタスク固有のヘッドの間でミニマックスゲームを行う。
論文 参考訳(メタデータ) (2021-10-09T13:56:48Z) - A Differentiable Language Model Adversarial Attack on Text Classifiers [10.658675415759697]
自然言語処理のための新しいブラックボックス文レベルアタックを提案する。
本手法は,事前学習した言語モデルを微調整して,逆例を生成する。
提案手法は, 計算量と人的評価の両方において, 多様なNLP問題において, 競合相手よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-07-23T14:43:13Z) - Sketch and Refine: Towards Faithful and Informative Table-to-Text
Generation [58.320248632121476]
自己回帰世代と非自己回帰世代(SANA)を組み合わせた新しい2段階法を提案する。
提案手法は,(1)ソーステーブルからキートークンを選択するための自己回帰ポインタネットワークを用いた骨格生成,(2)反復挿入と削除操作によるテキスト生成のための編集ベースの非自己回帰生成モデルを含む。
骨格から厳しい制約を統合することで、非自己回帰モデルはソーステーブル上の生成のカバレッジを改善し、その忠実性を高める。
論文 参考訳(メタデータ) (2021-05-31T08:18:13Z) - On the Reproducibility of Neural Network Predictions [52.47827424679645]
そこで本研究では, チャーン問題について検討し, 原因因子を同定し, 緩和する2つの簡単な方法を提案する。
最初に、標準的な画像分類タスクであっても、チャーンが問題であることを示す。
我々は,予測信頼度を高めるために,エントロピー正規化器を提案する。
両手法の有効性を実証的に示し, 基礎モデルの精度を向上しながら, チャーン低減効果を示す。
論文 参考訳(メタデータ) (2021-02-05T18:51:01Z) - Reinforcement Based Learning on Classification Task Could Yield Better
Generalization and Adversarial Accuracy [0.0]
画像分類タスクを用いて深層学習モデルを訓練する新しい手法を提案する。
強化学習におけるバニラポリシー勾配法に類似した報酬に基づく最適化関数を用いる。
論文 参考訳(メタデータ) (2020-12-08T11:03:17Z) - Preventing Posterior Collapse with Levenshtein Variational Autoencoder [61.30283661804425]
我々は,エビデンス・ロー・バウンド(ELBO)を最適化し,後部崩壊を防止できる新しい目的に置き換えることを提案する。
本稿では,Levenstein VAEが後方崩壊防止のための代替手法よりも,より情報的な潜伏表現を生成することを示す。
論文 参考訳(メタデータ) (2020-04-30T13:27:26Z)
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。