Fugu-MT 論文翻訳(概要): A Fair Classifier Embracing Triplet Collapse

論文の概要: A Fair Classifier Embracing Triplet Collapse

arxiv url: http://arxiv.org/abs/2306.04400v1
Date: Wed, 7 Jun 2023 12:58:52 GMT
ステータス: 処理完了
システム内更新日: 2023-06-08 14:31:59.611767
Title: A Fair Classifier Embracing Triplet Collapse
Title（参考訳）: 三重項崩壊を受け入れる公正な分類器
Authors: A. Martzloff (1), N. Posocco (2), Q. Ferr\'e (1) ((1) Euranova, Marseille, France, (2) Euranova, Mont-Saint-Guibert, Belgique)
Abstract要約: 機械学習モデルによって生成されるバイアスを制限するために、3重項損失を利用することができることを示す。我々の公正分類器は、そのマージンが潜在空間の2点間の距離よりも大きいときに三重項損失の崩壊を利用する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this paper, we study the behaviour of the triplet loss and show that it can be exploited to limit the biases created and perpetuated by machine learning models. Our fair classifier uses the collapse of the triplet loss when its margin is greater than the maximum distance between two points in the latent space, in the case of stochastic triplet selection.
Abstract（参考訳）: 本稿では,三重項損失の挙動を考察し,機械学習モデルによって生成されたバイアスを制限するために利用できることを示す。我々のフェア分類器は、確率的三重項選択の場合、そのマージンが潜在空間における2点間の最大距離より大きいとき、三重項損失の崩壊を利用する。

関連論文リスト

Multi-threshold Deep Metric Learning for Facial Expression Recognition [60.26967776920412]
本稿では,難易度検証を回避する多閾値深度学習手法を提案する。その結果,三重項損失のそれぞれの閾値は本質的にクラス間変動の特異な分布を決定することがわかった。埋め込み層はスライスで構成されており、より情報的で差別的な特徴である。
論文参考訳（メタデータ） (2024-06-24T08:27:31Z)
Tripod: Three Complementary Inductive Biases for Disentangled Representation Learning [52.70210390424605]
本研究では,文献から選択した3つの帰納バイアスを持つニューラルネットワークオートエンコーダを提案する。しかし、実際には、これらの帰納バイアスをインスタンス化する既存の技術を組み合わせることは、大きな利益をもたらすことに失敗する。学習問題を単純化する3つの手法に適応し、不変性を安定化する鍵正則化項とクォーシュ縮退インセンティブを提案する。結果のモデルであるTripodは、4つのイメージアンタングルメントベンチマークのスイートで最先端の結果を得る。
論文参考訳（メタデータ） (2024-04-16T04:52:41Z)
Neural Collapse Terminus: A Unified Solution for Class Incremental Learning and Its Variants [166.916517335816]
本稿では,3つの課題における不整合ジレンマに対する統一解を提案する。ラベル空間全体の最大等角的クラス間分離を有する固定構造である神経崩壊終端を提案する。本手法は,データ不均衡やデータ不足にかかわらず,神経崩壊最適度を漸進的に保持する。
論文参考訳（メタデータ） (2023-08-03T13:09:59Z)
Instance-Variant Loss with Gaussian RBF Kernel for 3D Cross-modal Retriveal [52.41252219453429]
既存の方法は全てのインスタンスを等しく扱い、同じペナルティ強度を様々な難易度を持つインスタンスに適用する。これは曖昧な収束や局所最適性をもたらし、特徴空間の分離性を著しく妥協させる。本稿では,異なるインスタンスに対して異なるペナルティ強度を割り当て,空間分離性を向上させるインスタンス・ヴァリアント損失を提案する。
論文参考訳（メタデータ） (2023-05-07T10:12:14Z)
Semidefinite Relaxations for Robust Multiview Triangulation [53.360555898338106]
既存の緩和手法を最小2乗のコスト関数を組み込むことで、非ロバストなマルチビュー三角測量に拡張する。提案手法は,大きな雑音と大容量の異常の下でも,証明可能な最適再構成を計算できることを実証する。
論文参考訳（メタデータ） (2023-01-26T21:31:32Z)
Self-Supervised Monocular Depth Estimation: Solving the Edge-Fattening Problem [39.82550656611876]
計量学習に人気があるトリプルト損失は多くのコンピュータビジョンタスクで大きな成功を収めた。 MDEにおける生三重項損失の2つの欠点を示し、問題駆動型再設計を実証する。
論文参考訳（メタデータ） (2022-10-02T03:08:59Z)
Deep Ranking with Adaptive Margin Triplet Loss [5.220120772989114]
本稿では,固定利得三重項損失から適応利得三重項損失への簡単な修正を提案する。提案した損失は,評価値が連続値である評価データセットに適している。
論文参考訳（メタデータ） (2021-07-13T15:37:20Z)
Solving Inefficiency of Self-supervised Representation Learning [87.30876679780532]
既存のコントラスト学習法は、非常に低い学習効率に苦しむ。アンダークラスタリングとオーバークラスタリングの問題は、学習効率の大きな障害である。中央三重項損失を用いた新しい自己監督学習フレームワークを提案する。
論文参考訳（メタデータ） (2021-04-18T07:47:10Z)
Person Re-identification with Adversarial Triplet Embedding [0.0]
Adrial Triplet Embedding (ATE) と呼ばれる新しい深度メトリック学習法を提案する。 ATEは、一貫したフレームワークに逆三重項と識別的特徴を埋め込む。特に、adversarial tripletは、トレーニングプロセスにadversarial perturbationを導入することによって生成される。
論文参考訳（メタデータ） (2020-12-28T02:01:27Z)
Strong but Simple Baseline with Dual-Granularity Triplet Loss for Visible-Thermal Person Re-Identification [9.964287254346976]
可視熱者再同定(VT-ReID)のための概念的に単純かつ効果的な二重粒度三重項損失を提案する。提案する双粒度三重項損失は, 試料ベース三重項損失と中心ベース三重項損失を, 粒状粒度で階層的に整理する。
論文参考訳（メタデータ） (2020-12-09T12:43:34Z)

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。