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
- 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) - Invariant Anomaly Detection under Distribution Shifts: A Causal
Perspective [6.845698872290768]
異常検出(AD、Anomaly Detection)は、異常なサンプルを識別する機械学習タスクである。
分散シフトの制約の下では、トレーニングサンプルとテストサンプルが同じ分布から引き出されるという仮定が崩壊する。
我々は,異常検出モデルのレジリエンスを,異なる種類の分布シフトに高めようとしている。
論文 参考訳(メタデータ) (2023-12-21T23:20:47Z) - 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) - IID-GAN: an IID Sampling Perspective for Regularizing Mode Collapse [82.49564071049366]
GAN(Generative Adversarial Network)はまだモード崩壊に悩まされている。
我々は、この問題を独立かつ同一に分散されたIIDサンプリング視点で分析し、規則化しようと試みる。
本稿では,実データの逆サンプルとガウス音源との近接性を高め,対象分布から生成するIIDを正規化するための新たな損失を提案する。
論文 参考訳(メタデータ) (2021-06-01T15:20:34Z) - Exploiting Sample Uncertainty for Domain Adaptive Person
Re-Identification [137.9939571408506]
各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。
不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
論文 参考訳(メタデータ) (2020-12-16T04:09:04Z) - 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。