論文の概要: Nuisances via Negativa: Adjusting for Spurious Correlations via Data Augmentation

• arxiv url: http://arxiv.org/abs/2210.01302v1
• Date: Tue, 4 Oct 2022 01:40:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-05 13:40:44.762522
• Title: Nuisances via Negativa: Adjusting for Spurious Correlations via Data Augmentation
• Title（参考訳）: NegativaによるNuisances:データ拡張による純粋相関の調整
• Authors: Aahlad Puli, Nitish Joshi, He He and Rajesh Ranganath
• Abstract要約: ラベルとの関係の異なる特徴はニュアンスである。 ニュアンスとラベルの関係は設定によって不安定である。 データ拡張によるロバストモデル生成のための代替手法を開発する。
• 参考スコア（独自算出の注目度）: 25.91327982352673
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: There exist features that are related to the label in the same way across different settings for that task; these are semantic features or semantics. Features with varying relationships to the label are nuisances. For example, in detecting cows from natural images, the shape of the head is a semantic and because images of cows often have grass backgrounds but only in certain settings, the background is a nuisance. Relationships between a nuisance and the label are unstable across settings and, consequently, models that exploit nuisance-label relationships face performance degradation when these relationships change. Direct knowledge of a nuisance helps build models that are robust to such changes, but knowledge of a nuisance requires extra annotations beyond the label and the covariates. In this paper, we develop an alternative way to produce robust models by data augmentation. These data augmentations corrupt semantic information to produce models that identify and adjust for where nuisances drive predictions. We study semantic corruptions in powering different robust-modeling methods for multiple out-of distribution (OOD) tasks like classifying waterbirds, natural language inference, and detecting Cardiomegaly in chest X-rays.
• Abstract（参考訳）: そのタスクのさまざまな設定で同じようにラベルに関連付けられた機能があります。 ラベルと異なる関係を持つ特徴は迷惑である。 例えば、自然画像から牛を検出する場合、頭の形は意味的であり、牛の像は草の背景を持つことが多いが、特定の設定でのみ、背景は迷惑である。 ニュアンスとラベルの関係は設定によって不安定であり、その結果、ニュアンスとラベルの関係を利用するモデルでは、これらの関係が変化すると性能が低下する。 ニュアンスの直接的な知識は、そのような変化に対して堅牢なモデルを構築するのに役立つが、ニュアンスの知識はラベルと共変体以外の追加アノテーションを必要とする。 本稿では,データ拡張によるロバストモデル生成のための代替手法を開発する。 これらのデータは、腐敗したセマンティック情報を拡張し、ニュアンセが予測する場所を特定し調整するモデルを生成する。 本研究では,水鳥の分類,自然言語推論,胸部x線写真における心電図の検出など,複数のout-of distribution(ood)タスクに対して異なるロバストモデリング手法を駆動する意味的腐敗について検討した。

関連論文リスト

• Common-Sense Bias Discovery and Mitigation for Classification Tasks [16.8259488742528]
  画像記述に基づいてデータセットの特徴クラスタを抽出するフレームワークを提案する。 解析された特徴と相関は人間に解釈可能であるので、我々はCommon-Sense Bias Discovery (CSBD) という手法を名づける。 実験の結果,2つのベンチマーク画像データセットに対して,複数の分類タスクに新たなバイアスが生じることがわかった。
  論文  参考訳（メタデータ） (2024-01-24T03:56:07Z)
• Improving Fairness using Vision-Language Driven Image Augmentation [60.428157003498995]
  公平性は、特に顔領域において、ディープラーニングの識別モデルを訓練する際に重要である。 モデルは、特定の特性(年齢や肌の色など)と無関係な属性(下流タスク)を関連付ける傾向がある 本稿では,これらの相関を緩和し,公平性を向上する手法を提案する。
  論文  参考訳（メタデータ） (2023-11-02T19:51:10Z)
• Stubborn Lexical Bias in Data and Models [50.79738900885665]
  我々は、データに基づいてトレーニングされたモデルに、データのスプリアスパターンが現れるかどうかを調べるために、新しい統計手法を用いる。 トレーニングデータに*reweight*に最適化アプローチを適用し、数千のスプリアス相関を低減します。 驚くべきことに、この方法ではトレーニングデータの語彙バイアスを低減できますが、トレーニングされたモデルで対応するバイアスの強い証拠がまだ見つかっていません。
  論文  参考訳（メタデータ） (2023-06-03T20:12:27Z)
• Label-Retrieval-Augmented Diffusion Models for Learning from Noisy Labels [61.97359362447732]
  ノイズの多いラベルからの学習は、実際のアプリケーションのための機械学習において、重要かつ長年にわたる問題である。 本稿では,生成モデルの観点からラベルノイズ問題を再構成する。 我々のモデルは、標準的な実世界のベンチマークデータセットで新しいSOTA(State-of-the-art)結果を達成する。
  論文  参考訳（メタデータ） (2023-05-31T03:01:36Z)
• Causal Transportability for Visual Recognition [70.13627281087325]
  画像とラベルの関連性は、設定間では転送できないため、標準分類器がフェールすることを示す。 次に、すべての共起源を摂食する因果効果が、ドメイン間で不変であることを示す。 これにより、画像分類における因果効果を推定するアルゴリズムを開発する動機付けとなる。
  論文  参考訳（メタデータ） (2022-04-26T15:02:11Z)
• Nuisance-Label Supervision: Robustness Improvement by Free Labels [14.711384503643995]
  本稿では,Nuisance-label Supervision (NLS) モジュールを提案する。 実験では、画像の劣化に対する頑健さと行動認識の外観変化が一貫した改善を示す。
  論文  参考訳（メタデータ） (2021-10-14T02:07:00Z)
• Predictive Modeling in the Presence of Nuisance-Induced Spurious Correlations [18.529899583515206]
  分類タスクでは、ラベルといくつかのニュアンス変数の間の関係の変化によって、スプリアス相関が引き起こされる。 我々は、ニュアンスとラベルの関係でのみ異なる分布の族を定式化する。 私たちは強い刺激的な相関の下で肺炎を予測するモデルを作成します。
  論文  参考訳（メタデータ） (2021-06-29T18:12:59Z)
• Towards Robust Classification Model by Counterfactual and Invariant Data Generation [7.488317734152585]
  純粋さは、一部の特徴がラベルと相関するが因果関係がないときに起こる。 本稿では2つのデータ生成プロセスを提案する。 我々のデータ生成は、スプリアス相関が壊れたときの精度で最先端の手法より優れています。
  論文  参考訳（メタデータ） (2021-06-02T12:48:29Z)
• Learning to Model and Ignore Dataset Bias with Mixed Capacity Ensembles [66.15398165275926]
  本稿では,データセット固有のパターンを自動的に検出・無視する手法を提案する。 我々の方法は、より高い容量モデルでアンサンブルで低容量モデルを訓練する。 視覚的質問応答データセットの10ポイントゲインを含む,すべての設定の改善を示す。
  論文  参考訳（メタデータ） (2020-11-07T22:20:03Z)
• Learning Causal Models Online [103.87959747047158]
  予測モデルは、予測を行うためにデータの急激な相関に依存することができる。 強い一般化を達成するための一つの解決策は、モデルに因果構造を組み込むことである。 本稿では,突発的特徴を継続的に検出・除去するオンラインアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-12T20:49:20Z)

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。