論文の概要: MIME: Minority Inclusion for Majority Group Enhancement of AI Performance

• arxiv url: http://arxiv.org/abs/2209.00746v1
• Date: Thu, 1 Sep 2022 22:57:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-09-05 12:09:28.583641
• Title: MIME: Minority Inclusion for Majority Group Enhancement of AI Performance
• Title（参考訳）: MIME: 主要グループによるAIパフォーマンス向上のためのマイナーインクルージョン
• Authors: Pradyumna Chari, Yunhao Ba, Shreeram Athreya, Achuta Kadambi
• Abstract要約: いくつかの論文では、マイノリティグループや社会規模でのテスト推論を改善するために、人工知能(AI)トレーニングデータにマイノリティグループを含めている。 一般的な誤解は、少数派が多数派だけではパフォーマンスを向上しないということである。 本稿では,少数派のサンプルを含め,多数派のテストエラーを改善できるという驚きの発見を行う。
• 参考スコア（独自算出の注目度）: 4.231181719953953
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Several papers have rightly included minority groups in artificial intelligence (AI) training data to improve test inference for minority groups and/or society-at-large. A society-at-large consists of both minority and majority stakeholders. A common misconception is that minority inclusion does not increase performance for majority groups alone. In this paper, we make the surprising finding that including minority samples can improve test error for the majority group. In other words, minority group inclusion leads to majority group enhancements (MIME) in performance. A theoretical existence proof of the MIME effect is presented and found to be consistent with experimental results on six different datasets. Project webpage: https://visual.ee.ucla.edu/mime.htm/
• Abstract（参考訳）: いくつかの論文では、マイノリティグループや社会規模のテスト推論を改善するために、人工知能(AI)トレーニングデータにマイノリティグループを含めている。 社会全体は少数派と多数派の両方から成り立っている。 一般的な誤解は、少数派が多数派だけではパフォーマンスを向上しないということである。 本稿では,少数派のサンプルを含め,多数派のテストエラーを改善できるという驚きの発見を行う。 言い換えれば、少数派グループの参加は、パフォーマンスの多数派グループ拡張(MIME)につながる。 MIME効果の理論的存在証明が提示され、6つの異なるデータセットの実験結果と一致していることがわかった。 プロジェクトWebページ: https://visual.ee.ucla.edu/mime.htm/

関連論文リスト

• Boost-and-Skip: A Simple Guidance-Free Diffusion for Minority Generation [57.19995625893062]
  拡散モデルを用いて少数サンプルを生成するために,Boost-and-Skipと呼ばれる強力なガイダンスのない手法を提案する。 これらの一見自明な修正は、確固たる理論と実証的な証拠によって支えられていることを強調する。 我々の実験は、Boost-and-Skipが少数サンプルを生成する能力を大幅に向上することを示した。
  論文  参考訳（メタデータ） (2025-02-10T14:37:26Z)
• From Majority to Minority: A Diffusion-based Augmentation for Underrepresented Groups in Skin Lesion Analysis [43.1078084014722]
  AIに基づく診断は皮膚がんの分類における皮膚科レベルのパフォーマンスを示す。 このようなシステムは、トレーニングセットに十分な表現が欠けている少数派のグループからのデータでテストすると、性能が低下する傾向にある。 マイノリティグループに利益をもたらすために,多数派からの豊富な情報の利用を最大化する,効果的な拡散に基づく拡張フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-26T14:19:31Z)
• How does promoting the minority fraction affect generalization? A theoretical study of the one-hidden-layer neural network on group imbalance [64.1656365676171]
  グループ不均衡は経験的リスク最小化において既知の問題である。 本稿では,個々の集団がサンプルの複雑さ,収束率,平均および群レベルの試験性能に与える影響を定量化する。
  論文  参考訳（メタデータ） (2024-03-12T04:38:05Z)
• Adversarial Reweighting Guided by Wasserstein Distance for Bias Mitigation [24.160692009892088]
  データ中のマイノリティの下位表現は、学習中のサブポピュレーションの異なる扱いを困難にしている。 本稿では,このような表現バイアスに対処する新たな逆方向再重み付け手法を提案する。
  論文  参考訳（メタデータ） (2023-11-21T15:46:11Z)
• Don't Play Favorites: Minority Guidance for Diffusion Models [59.75996752040651]
  本稿では,拡散モデルの生成過程をマイノリティ標本に集中させる新しい枠組みを提案する。 我々は、所望の確率レベルを持つ領域に向けて生成過程をガイドできるサンプリング技術であるマイノリティガイダンスを開発する。
  論文  参考訳（メタデータ） (2023-01-29T03:08:47Z)
• Outlier-Robust Group Inference via Gradient Space Clustering [50.87474101594732]
  既存のメソッドは、最悪のグループのパフォーマンスを改善することができるが、それらは、しばしば高価で入手できないグループアノテーションを必要とする。 モデルパラメータの勾配の空間にデータをクラスタリングすることで,アウトレーヤの存在下でグループアノテーションを学習する問題に対処する。 そこで我々は,DBSCANのような標準クラスタリング手法に適合するように,マイノリティグループや外れ値に関する情報を保存しながら,勾配空間内のデータがより単純な構造を持つことを示す。
  論文  参考訳（メタデータ） (2022-10-13T06:04:43Z)
• How does overparametrization affect performance on minority groups? [39.54853544590893]
  オーバーパラメータ化は常に少数群のパフォーマンスを改善することを示す。 多数派と少数派の回帰関数が異なる設定では、パラメータ化が常に少数派のパフォーマンスを改善することを示す。
  論文  参考訳（メタデータ） (2022-06-07T18:00:52Z)
• Few-shot Forgery Detection via Guided Adversarial Interpolation [56.59499187594308]
  既存の偽造検出手法は、見知らぬ新しい偽造手法に適用した場合、大幅な性能低下に悩まされる。 本稿では,数発の偽造検出問題を克服するために,GAI(Guid Adversarial Interpolation)を提案する。 我々の手法は、多数派と少数派の偽造アプローチの選択に対して堅牢であることが検証されている。
  論文  参考訳（メタデータ） (2022-04-12T16:05:10Z)
• Counterfactual-based minority oversampling for imbalanced classification [11.140929092818235]
  不均衡な分類におけるオーバーサンプリングの重要な課題は、新しい少数派標本の生成が多数派クラスの使用を無視することが多いことである。 対物理論に基づく新しいオーバーサンプリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-21T14:13:15Z)
• Positionality-Weighted Aggregation Methods for Cumulative Voting [0.0]
  そこで本稿では,少数派が中心的累積投票における地位を重み付けする集計手法を提案する。 マイノリティの意見は、上記の3つの方法のうちの2つの方法で分布の平均に比例して反映される可能性が高い。 集計結果の分析からマイノリティの数と位置を可視化することが可能である。
  論文  参考訳（メタデータ） (2020-08-20T03:55:49Z)
• Contrastive Examples for Addressing the Tyranny of the Majority [83.93825214500131]
  我々は,グループメンバーシップを介在する,オリジナルのデータセットと新たなデータポイントからなるバランスの取れたトレーニングデータセットを作成することを提案する。 コントラッシブ・サンプル(英語版)と呼ばれるこれらのデータポイントを学習するための強力なツールとして、現在の生成的敵ネットワークが重要であることを示す。
  論文  参考訳（メタデータ） (2020-04-14T14:06:44Z)
• Inclusive GAN: Improving Data and Minority Coverage in Generative Models [101.67587566218928]
  データカバレッジの1つとしてマイノリティー・インクルージョンの問題を定式化する。 次に、再構成世代と敵対的トレーニングを調和させることにより、データカバレッジを改善することを提案する。 我々は、モデルが確実に含めるべきマイノリティサブグループを明示的に制御できる拡張を開発する。
  論文  参考訳（メタデータ） (2020-04-07T13:31:33Z)

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。