論文の概要: Skew Class-balanced Re-weighting for Unbiased Scene Graph Generation

• arxiv url: http://arxiv.org/abs/2301.00351v1
• Date: Sun, 1 Jan 2023 05:26:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-03 15:39:49.513939
• Title: Skew Class-balanced Re-weighting for Unbiased Scene Graph Generation
• Title（参考訳）: 未知のシーングラフ生成のためのスキュークラスバランス再重み付け
• Authors: Haeyong Kang and Chang D. Yoo
• Abstract要約: スキュークラスバランス再重み付け(SCR)損失関数は、偏りのないSGGモデルに対して考慮される。 SCRはターゲットの述語重み係数を推定し、多数派述語と少数派述語の間のトレードオフを改善するために偏りのある述語に再重み付けを行う。
• 参考スコア（独自算出の注目度）: 23.237308265907373
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: An unbiased scene graph generation (SGG) algorithm referred to as Skew Class-balanced Re-weighting (SCR) is proposed for considering the unbiased predicate prediction caused by the long-tailed distribution. The prior works focus mainly on alleviating the deteriorating performances of the minority predicate predictions, showing drastic dropping recall scores, i.e., losing the majority predicate performances. It has not yet correctly analyzed the trade-off between majority and minority predicate performances in the limited SGG datasets. In this paper, to alleviate the issue, the Skew Class-balanced Re-weighting (SCR) loss function is considered for the unbiased SGG models. Leveraged by the skewness of biased predicate predictions, the SCR estimates the target predicate weight coefficient and then re-weights more to the biased predicates for better trading-off between the majority predicates and the minority ones. Extensive experiments conducted on the standard Visual Genome dataset and Open Image V4 \& V6 show the performances and generality of the SCR with the traditional SGG models.
• Abstract（参考訳）: スキュークラスバランス再重み付け (SCR) と呼ばれる非バイアス付きシーングラフ生成 (SGG) アルゴリズムを提案し, 長期分布による非バイアス付き述語予測について検討した。 以前の研究は主に少数派述語予測の劣化するパフォーマンスを緩和することに焦点を当てており、劇的なリコールスコア、すなわち大多数述語予測のパフォーマンスを失う。 限られたSGGデータセットにおける多数派と少数派の述語のパフォーマンスのトレードオフを、まだ正しく分析していない。 本稿では、この問題を緩和するために、非バイアスSGGモデルに対してスキュークラスバランス再重み付け(SCR)損失関数を検討する。 バイアスド述語予測のゆがみを利用して、scrは目標述語重み係数を推定し、バイアスド述語にさらに重み付けし、多数派述語と少数派述語との間のより良いトレードオフを図る。 標準のVisual GenomeデータセットとOpen Image V4 \&V6で実施された大規模な実験は、従来のSGGモデルによるSCRの性能と一般性を示している。

関連論文リスト

• Ensemble Predicate Decoding for Unbiased Scene Graph Generation [40.01591739856469]
  シーングラフ生成(SGG)は、与えられたシナリオの意味情報をキャプチャする包括的なグラフィカル表現を生成することを目的としている。 よりきめ細かい述語を予測する際のモデルの性能は、有意な述語バイアスによって妨げられる。 本稿では,複数のデコーダを用いて非バイアスなシーングラフ生成を実現するEnsemble Predicate Decoding (EPD)を提案する。
  論文  参考訳（メタデータ） (2024-08-26T11:24:13Z)
• Editable Fairness: Fine-Grained Bias Mitigation in Language Models [52.66450426729818]
  個々人の社会的偏見をきめ細かなキャリブレーションを可能にする新しいデバイアス・アプローチであるFairness Stamp(FAST)を提案する。 FASTは最先端のベースラインを超え、デバイアス性能が優れている。 これは、大きな言語モデルにおける公平性を達成するためのきめ細かいデバイアス戦略の可能性を強調している。
  論文  参考訳（メタデータ） (2024-08-07T17:14:58Z)
• Fine-Grained Scene Graph Generation via Sample-Level Bias Prediction [12.319354506916547]
  微粒なシーングラフ生成のためのサンプルレベルバイアス予測(SBP)手法を提案する。 まず、古典的なSGGモデルを訓練し、補正バイアスセットを構築する。 そこで我々は,BGAN(Bias-Oriented Generative Adversarial Network)を考案し,構築した補正バイアスを予測する。
  論文  参考訳（メタデータ） (2024-07-27T13:49:06Z)
• Unbiased Scene Graph Generation via Two-stage Causal Modeling [11.390135312161044]
  シーングラフ生成(SGG)タスクのための2段階因果モデリング(TsCM)を提案する。 TsCMは、長期にわたる分布と意味的混乱を共同創設者として、構造因果モデル(Structure Causal Model, SCM)に取り込み、因果的介入を2段階に分離する。 提案手法は, 平均リコール率の観点から, 最先端の性能を実現することができる。
  論文  参考訳（メタデータ） (2023-07-11T14:11:24Z)
• Debiased Fine-Tuning for Vision-language Models by Prompt Regularization [50.41984119504716]
  本稿では,Prompt Regularization(ProReg)と呼ばれる下流タスクにおける大規模視覚事前訓練モデルの微調整のための新しいパラダイムを提案する。 ProRegは、事前訓練されたモデルに微調整を正規化するよう促すことで予測を使用する。 本稿では,従来の微調整,ゼロショットプロンプト,プロンプトチューニング,その他の最先端手法と比較して,ProRegの性能が一貫して高いことを示す。
  論文  参考訳（メタデータ） (2023-01-29T11:53:55Z)
• Peer Learning for Unbiased Scene Graph Generation [16.69329808479805]
  我々は、バイアス付きシーングラフ生成(SGG)の問題に対処するピアラーニングと呼ばれる新しいフレームワークを提案する。 このフレームワークは、予測サンプリングとコンセンサス投票(PSCV)を使用して、異なるピアが互いに学び合うように促している。 我々は,bf31.6の平均を達成し,SGClsタスクに新たな最先端技術(SOTA)を確立した。
  論文  参考訳（メタデータ） (2022-12-31T07:56:35Z)
• Adaptive Fine-Grained Predicates Learning for Scene Graph Generation [122.4588401267544]
  一般的なシーングラフ生成(SGG)モデルは、頭部の述語を予測する傾向があり、再バランス戦略は尾のカテゴリを好む。 本稿では,SGGの難解な述語を識別することを目的とした適応的微粒述語学習(FGPL-A)を提案する。 提案したモデル非依存戦略は,VG-SGGおよびGQA-SGGデータセットのベンチマークモデルの性能を最大175%,Mean Recall@100では76%向上させ,新たな最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-07-11T03:37:57Z)
• Cross Pairwise Ranking for Unbiased Item Recommendation [57.71258289870123]
  我々はCPR(Cross Pairwise Ranking)という新しい学習パラダイムを開発する。 CPRは、露出メカニズムを知らずに不偏の推奨を達成する。 理論的には、この方法が学習に対するユーザ/イテムの適合性の影響を相殺することを証明する。
  論文  参考訳（メタデータ） (2022-04-26T09:20:27Z)
• PCPL: Predicate-Correlation Perception Learning for Unbiased Scene Graph Generation [58.98802062945709]
  本稿では,適切な損失重みを適応的に求めるための新しい述語相関知覚学習手法を提案する。 我々のPCPLフレームワークは、文脈特徴をよりよく抽出するグラフエンコーダモジュールも備えています。
  論文  参考訳（メタデータ） (2020-09-02T08:30:09Z)
• Unbiased Scene Graph Generation from Biased Training [99.88125954889937]
  因果推論に基づく新しいSGGフレームワークを提案するが、従来の可能性ではない。 トレーニングされたグラフから反ファクト因果関係を抽出し、悪バイアスから影響を推測する。 特に,無バイアスSGGに対する最終述語スコアとしてTotal Direct Effect(TDE)を用いる。
  論文  参考訳（メタデータ） (2020-02-27T07:29:53Z)

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。