論文の概要: Breaking the Spurious Causality of Conditional Generation via Fairness Intervention with Corrective Sampling

• arxiv url: http://arxiv.org/abs/2212.02090v1
• Date: Mon, 5 Dec 2022 08:09:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-06 15:09:45.317103
• Title: Breaking the Spurious Causality of Conditional Generation via Fairness Intervention with Corrective Sampling
• Title（参考訳）: 適応的サンプリングによる公平な介入による条件付き生成のスプリアス因果関係の破れ
• Authors: Junhyun Nam, Sangwoo Mo, Jaeho Lee, Jinwoo Shin
• Abstract要約: 条件付き生成モデルは、トレーニングデータセットの急激な相関を継承することが多い。 このような望ましくない相関を緩和するための一般的な2段階戦略を提案する。 実験の結果,提案したFICSは, 生成した試料の急激な相関を解くことができることがわかった。
• 参考スコア（独自算出の注目度）: 77.15766509677348
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Trying to capture the sample-label relationship, conditional generative models often end up inheriting the spurious correlation in the training dataset, giving label-conditional distributions that are severely imbalanced in another latent attribute. To mitigate such undesirable correlations engraved into generative models, which we call spurious causality, we propose a general two-step strategy. (a) Fairness Intervention (FI): Emphasize the minority samples that are hard to be generated due to the spurious correlation in the training dataset. (b) Corrective Sampling (CS): Filter the generated samples explicitly to follow the desired label-conditional latent attribute distribution. We design the fairness intervention for various degrees of supervision on the spurious attribute, including unsupervised, weakly-supervised, and semi-supervised scenarios. Our experimental results show that the proposed FICS can successfully resolve the spurious correlation in generated samples on various datasets.
• Abstract（参考訳）: サンプルとラベルの関係を捉えようとすると、条件付き生成モデルはしばしばトレーニングデータセットのスプリアス相関を継承し、別の潜在属性でひどく不均衡なラベル条件分布を与える。 このような望ましくない相関を生成モデルに刻み込むために,我々はスプリアス因果関係と呼ぶ手法を提案する。 (a)Fairness Intervention (FI):トレーニングデータセットの急激な相関により生成が困難であるマイノリティサンプルを強調する。 b) 補正サンプリング(CS): 生成したサンプルを明示的にフィルタし、所望のラベル条件潜在属性分布に従う。 我々は,非教師あり,弱い教師あり,半教師ありのシナリオを含む,スプリアス属性に対する様々な監督の公正な介入をデザインする。 実験の結果,提案したFICSは,様々なデータセット上で生成したサンプルのスプリアス相関を解くことができることがわかった。

関連論文リスト

• Theory on Score-Mismatched Diffusion Models and Zero-Shot Conditional Samplers [49.97755400231656]
  本報告では,明示的な次元の一般スコアミスマッチ拡散サンプリング器を用いた最初の性能保証について述べる。 その結果, スコアミスマッチは, 目標分布とサンプリング分布の分布バイアスとなり, 目標分布とトレーニング分布の累積ミスマッチに比例することがわかった。 この結果は、測定ノイズに関係なく、任意の条件モデルに対するゼロショット条件付きサンプリングに直接適用することができる。
  論文  参考訳（メタデータ） (2024-10-17T16:42:12Z)
• Controllable Generation via Locally Constrained Resampling [77.48624621592523]
  本研究では, ベイズ条件付けを行い, 制約条件下でサンプルを描画する, トラクタブルな確率的手法を提案する。 提案手法はシーケンス全体を考慮し,現行のグリード法よりも大域的に最適に制約された生成を導出する。 提案手法は, 有害な世代からモデル出力を分離し, 脱毒化に対する同様のアプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2024-10-17T00:49:53Z)
• Trained Models Tell Us How to Make Them Robust to Spurious Correlation without Group Annotation [3.894771553698554]
  経験的リスク最小化(ERM)モデルは、ターゲットと高い刺激的な相関を持つ属性に依存する傾向がある。 これにより、これらの属性を欠いた未表現(または'マイナー')グループのパフォーマンスを低下させることができる。 本稿では,環境に基づく検証と損失に基づくサンプリング(EVaLS)を提案する。
  論文  参考訳（メタデータ） (2024-10-07T08:17:44Z)
• Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
  クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。 我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
  論文  参考訳（メタデータ） (2023-12-27T09:03:43Z)
• Time-series Generation by Contrastive Imitation [87.51882102248395]
  モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。 推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
  論文  参考訳（メタデータ） (2023-11-02T16:45:25Z)
• Selectively increasing the diversity of GAN-generated samples [8.980453507536017]
  本稿では,GAN生成サンプルの多様性を選択的に向上する手法を提案する。 本研究では,CERN における ALICE 実験のZero Degree Calorimeter から得られたデータをシミュレーションする実生活シナリオとともに,本手法の優位性を示す。
  論文  参考訳（メタデータ） (2022-07-04T16:27:06Z)
• Robust Fairness under Covariate Shift [11.151913007808927]
  保護グループメンバーシップに関して公正な予測を行うことは、分類アルゴリズムの重要な要件となっている。 本稿では,ターゲット性能の面で最悪のケースに対して頑健な予測値を求める手法を提案する。
  論文  参考訳（メタデータ） (2020-10-11T04:42:01Z)
• On conditional versus marginal bias in multi-armed bandits [105.07190334523304]
  多腕バンディットにおける腕のサンプル平均のバイアスは、適応データ解析において重要な問題である。 サンプル平均を含む報酬の単調関数の条件バイアスの兆候を特徴付ける。 我々の結果は任意の条件付けイベントを保ち、データ収集ポリシーの自然な単調性特性を活用する。
  論文  参考訳（メタデータ） (2020-02-19T20:16:10Z)

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。