論文の概要: Rectifying Group Irregularities in Explanations for Distribution Shift
- arxiv url: http://arxiv.org/abs/2305.16308v1
- Date: Thu, 25 May 2023 17:57:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-26 13:14:16.585449
- Title: Rectifying Group Irregularities in Explanations for Distribution Shift
- Title(参考訳): 分布シフトの説明における群不規則性
- Authors: Adam Stein, Yinjun Wu, Eric Wong, Mayur Naik
- Abstract要約: GSE(Group-Aware Shift Explanations)は、最悪のグループ最適化を活用して、グループ不規則を是正することで解釈可能な説明を生成する。
人口統計学や階層的サブポピュレーションなどのグループ構造をGSEが維持するだけでなく、その結果の妥当性やロバスト性も向上することを示す。
- 参考スコア(独自算出の注目度): 18.801357928801412
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: It is well-known that real-world changes constituting distribution shift
adversely affect model performance. How to characterize those changes in an
interpretable manner is poorly understood. Existing techniques to address this
problem take the form of shift explanations that elucidate how to map samples
from the original distribution toward the shifted one by reducing the disparity
between these two distributions. However, these methods can introduce group
irregularities, leading to explanations that are less feasible and robust. To
address these issues, we propose Group-aware Shift Explanations (GSE), a method
that produces interpretable explanations by leveraging worst-group optimization
to rectify group irregularities. We demonstrate how GSE not only maintains
group structures, such as demographic and hierarchical subpopulations, but also
enhances feasibility and robustness in the resulting explanations in a wide
range of tabular, language, and image settings.
- Abstract(参考訳): 分布シフトを構成する実世界の変化がモデル性能に悪影響を及ぼすことはよく知られている。
これらの変化を解釈可能な方法で特徴づける方法は理解されていない。
この問題に対処する既存の手法は、これらの2つの分布間の格差を減らし、元の分布からシフトした分布へサンプルをマッピングする方法を解明するシフト説明の形式をとる。
しかし、これらの手法は群の不規則性を導入し、実現不可能で堅牢な説明につながる。
これらの問題に対処するために,グループ認識シフト説明(gse,group-aware shift explanations)を提案する。
本稿では,GSEが人口構造や階層的なサブポピュレーションなどのグループ構造を維持できるだけでなく,表や言語,画像設定の多岐にわたる説明において,実現可能性や堅牢性を高めることを実証する。
関連論文リスト
- Adapting to Latent Subgroup Shifts via Concepts and Proxies [82.01141290360562]
最適ターゲット予測器は、ソースドメインでのみ利用できる概念とプロキシ変数の助けを借りて、非パラメトリックに識別可能であることを示す。
本研究では,データ生成プロセスに特有の潜在変数モデルを提案する。
論文 参考訳(メタデータ) (2022-12-21T18:30:22Z) - Equivariant Disentangled Transformation for Domain Generalization under
Combination Shift [91.38796390449504]
ドメインとラベルの組み合わせは、トレーニング中に観察されるのではなく、テスト環境に現れる。
我々は、同型の概念、同値性、および整合性の定義に基づく結合シフト問題の一意的な定式化を提供する。
論文 参考訳(メタデータ) (2022-08-03T12:31:31Z) - Domain Adaptation meets Individual Fairness. And they get along [48.95808607591299]
アルゴリズムフェアネスの介入は、機械学習モデルが分散シフトを克服するのに役立つことを示す。
特に,個人フェアネス(IF)の適切な概念を強制することで,MLモデルの分布外精度が向上することを示す。
論文 参考訳(メタデータ) (2022-05-01T16:19:55Z) - Group-disentangled Representation Learning with Weakly-Supervised
Regularization [13.311886256230814]
GroupVAEは、一貫性と非絡み合いの表現を強制するために、単純だが効果的なクルバック・リーバーの発散に基づく正規化である。
本研究では, グループ差分表現が, 公平な分類や, 再構築, 分類, 転帰学習といった3次元形状関連タスクなど, 下流タスクにおいて改善されることを実証する。
論文 参考訳(メタデータ) (2021-10-23T10:01:05Z) - Topographic VAEs learn Equivariant Capsules [84.33745072274942]
本稿では, 地理的に整理された潜伏変数を用いた深部生成モデルを効率的に学習するための新しい手法であるTopographic VAEを紹介する。
このようなモデルでは,MNIST上での桁数クラス,幅,スタイルなどの健全な特徴に応じて,その活性化を組織化することが実際に学べることが示される。
我々は、既存の群同変ニューラルネットワークの能力を拡張して、複素変換に近似した同値性を示す。
論文 参考訳(メタデータ) (2021-09-03T09:25:57Z) - Commutative Lie Group VAE for Disentanglement Learning [96.32813624341833]
本研究では,データに表される因子の変動を同変的に反映する基盤構造を見いだすこととして,非絡み合い学習を考察する。
グループベースの非絡み合い学習を実現するために、Communative Lie Group VAEというシンプルなモデルが導入された。
実験により,本モデルでは,教師なしの非絡み合い表現を効果的に学習し,余分な制約を伴わずに最先端のパフォーマンスを達成できることが示されている。
論文 参考訳(メタデータ) (2021-06-07T07:03:14Z) - GroupifyVAE: from Group-based Definition to VAE-based Unsupervised
Representation Disentanglement [91.9003001845855]
他の誘導バイアスを導入しないと、VAEベースの非監視的非絡み合いは実現できない。
グループ理論に基づく定義から導かれる制約を非確率的帰納的バイアスとして活用し,vaeに基づく教師なし不連続に対処する。
提案手法の有効性を検証するために,5つのデータセット上で,vaeベースモデルが最も目立つ1800モデルをトレーニングした。
論文 参考訳(メタデータ) (2021-02-20T09:49:51Z) - Explaining Groups of Points in Low-Dimensional Representations [22.069781949309732]
我々は、新しいタイプの説明、GCE(Global Counterfactual Explanation)、および我々のアルゴリズムであるTransitive Global Translations(TGT)を紹介する。
TGTは、圧縮センシングを用いて各グループ間の差を識別するが、これらの相違はすべてのグループ間で一貫性があるように制約する。
経験的に、TGTは比較的疎いモデルで正確に説明できる説明を識別でき、これらの説明がデータの実際のパターンと一致することを実証する。
論文 参考訳(メタデータ) (2020-03-03T17:06:55Z)
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。