論文の概要: Partition-and-Debias: Agnostic Biases Mitigation via A Mixture of
Biases-Specific Experts
- arxiv url: http://arxiv.org/abs/2308.10005v1
- Date: Sat, 19 Aug 2023 13:11:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-22 18:30:31.591644
- Title: Partition-and-Debias: Agnostic Biases Mitigation via A Mixture of
Biases-Specific Experts
- Title(参考訳): 分断とデビアス:バイアス特有の専門家の混合による偏りの軽減
- Authors: Jiaxuan Li, Duc Minh Vo, Hideki Nakayama
- Abstract要約: 本稿では,偏差空間を複数の部分空間に暗黙的に分割するために,偏差特異的な専門家の混合を用いた分割・偏差法(PnD)を提案する。
公開および構築されたベンチマークの実験は、PnDの有効性を実証した。
- 参考スコア(独自算出の注目度): 24.055919128977195
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Bias mitigation in image classification has been widely researched, and
existing methods have yielded notable results. However, most of these methods
implicitly assume that a given image contains only one type of known or unknown
bias, failing to consider the complexities of real-world biases. We introduce a
more challenging scenario, agnostic biases mitigation, aiming at bias removal
regardless of whether the type of bias or the number of types is unknown in the
datasets. To address this difficult task, we present the Partition-and-Debias
(PnD) method that uses a mixture of biases-specific experts to implicitly
divide the bias space into multiple subspaces and a gating module to find a
consensus among experts to achieve debiased classification. Experiments on both
public and constructed benchmarks demonstrated the efficacy of the PnD. Code is
available at: https://github.com/Jiaxuan-Li/PnD.
- Abstract(参考訳): 画像分類におけるバイアス軽減は広く研究されており、既存の手法は顕著な成果を上げている。
しかし、これらの手法のほとんどは、ある画像が1種類の未知のバイアスのみを含むと暗黙的に仮定し、現実世界のバイアスの複雑さを考慮できない。
我々は,データセットのバイアスの種類や型数に関わらず,バイアス除去を目的とした,より困難なシナリオ,非依存バイアス緩和を導入する。
この課題に対処するために、偏見特異的な専門家の混合を用いて、偏見空間を暗黙的に複数の部分空間とゲーティングモジュールに分割し、偏見的分類を達成するために専門家間でのコンセンサスを求めるPnD法を提案する。
公開および構築されたベンチマークの実験は、PnDの有効性を実証した。
コードは、https://github.com/Jiaxuan-Li/PnD.comで入手できる。
関連論文リスト
- Is There a One-Model-Fits-All Approach to Information Extraction? Revisiting Task Definition Biases [62.806300074459116]
定義バイアスは、モデルを誤解させる可能性のある負の現象である。
IEでは、情報抽出データセット間のバイアスと、情報抽出データセットとインストラクションチューニングデータセット間のバイアスの2つの定義バイアスを識別する。
本稿では, 定義バイアス測定, バイアス対応微調整, タスク固有バイアス緩和からなる多段階フレームワークを提案する。
論文 参考訳(メタデータ) (2024-03-25T03:19:20Z) - Take Care of Your Prompt Bias! Investigating and Mitigating Prompt Bias in Factual Knowledge Extraction [56.17020601803071]
近年の研究では、事前学習言語モデル(PLM)が、事実知識抽出において「急激なバイアス」に悩まされていることが示されている。
本稿では,突発バイアスを徹底的に調査し緩和することにより,既存のベンチマークの信頼性を向上させることを目的とする。
論文 参考訳(メタデータ) (2024-03-15T02:04:35Z) - Revisiting the Dataset Bias Problem from a Statistical Perspective [72.94990819287551]
統計的観点から「データセットバイアス」問題を考察する。
問題の主な原因は、クラス属性 u と非クラス属性 b の強い相関関係である。
本稿では,各試料nの目的をフラクタル1p(u_n|b_n)で重み付けするか,その試料をフラクタル1p(u_n|b_n)に比例してサンプリングすることにより,データセットバイアスを軽減することを提案する。
論文 参考訳(メタデータ) (2024-02-05T22:58:06Z) - Improving Bias Mitigation through Bias Experts in Natural Language
Understanding [10.363406065066538]
補助モデルと主モデルの間に二項分類器を導入するデバイアス化フレームワークを提案する。
提案手法は補助モデルのバイアス識別能力を向上させる。
論文 参考訳(メタデータ) (2023-12-06T16:15:00Z) - Causality and Independence Enhancement for Biased Node Classification [56.38828085943763]
各種グラフニューラルネットワーク(GNN)に適用可能な新しい因果性・独立性向上(CIE)フレームワークを提案する。
提案手法は,ノード表現レベルでの因果的特徴と突発的特徴を推定し,突発的相関の影響を緩和する。
我々のアプローチCIEは、GNNの性能を大幅に向上するだけでなく、最先端の debiased ノード分類法よりも優れています。
論文 参考訳(メタデータ) (2023-10-14T13:56:24Z) - Mitigating Bias for Question Answering Models by Tracking Bias Influence [87.84850806865059]
本稿では,複数選択QAモデルのバイアスを軽減するためのBMBIを提案する。
バイアスのある例から学んだ場合、モデルがよりバイアスに傾くように傾くという直感に基づいて、クエリインスタンスのバイアスレベルを測定します。
本手法は,複数のバイアスカテゴリにまたがる複数のQA定式化に適用可能であることを示す。
論文 参考訳(メタデータ) (2023-10-13T00:49:09Z) - SMoA: Sparse Mixture of Adapters to Mitigate Multiple Dataset Biases [27.56143777363971]
本稿では,複数のデータセットのバイアスを効果的かつ効率的に緩和できる分散混合適応器(SMOA)を提案する。
自然言語推論およびパラフレーズ識別タスクの実験は、SMoAがフルファインタニング、アダプタチューニングベースライン、および以前の強いデバイアス法よりも優れていることを示した。
論文 参考訳(メタデータ) (2023-02-28T08:47:20Z) - Discover and Mitigate Unknown Biases with Debiasing Alternate Networks [42.89260385194433]
本稿では,Debiasing Alternate Networks (DebiAN)を提案する。
DebiANは、発見者によって特定されるバイアスをアンラーニングすることを目的としている。
従来の研究では、偏りを1つのバイアスで評価するが、マルチカラーMNISTデータセットを作成し、複数のバイアスのベンチマーク緩和を改善する。
論文 参考訳(メタデータ) (2022-07-20T17:59:51Z) - Information-Theoretic Bias Reduction via Causal View of Spurious
Correlation [71.9123886505321]
本稿では,スプリアス相関の因果的解釈による情報理論バイアス測定手法を提案する。
本稿では,バイアス正規化損失を含むアルゴリズムバイアスに対する新しいデバイアスフレームワークを提案する。
提案したバイアス測定とデバイアス法は、多様な現実シナリオで検証される。
論文 参考訳(メタデータ) (2022-01-10T01:19:31Z) - Fighting Fire with Fire: Contrastive Debiasing without Bias-free Data
via Generative Bias-transformation [31.944147533327058]
生成バイアス変換(CDvG)によるコントラスト劣化
本稿では, バイアスラベルやバイアスのないサンプルを伴わないCDvG (Generative Bias-Transformation) によるコントラスト的デバイアス(Contrastive Debiasing) 手法を提案する。
本手法は, バイアスのないサンプルが不足あるいは欠落している場合に, 従来の手法に比べて優れた性能を示す。
論文 参考訳(メタデータ) (2021-12-02T07:16:06Z) - Are Bias Mitigation Techniques for Deep Learning Effective? [24.84797949716142]
改良された評価プロトコル、有能なメトリクス、新しいデータセットを導入する。
我々は、同じネットワークアーキテクチャを用いて、7つの最先端アルゴリズムを評価する。
アルゴリズムは隠れバイアスを悪用し、複数の形式のバイアスにスケールできず、チューニングセットの選択に非常に敏感であることがわかった。
論文 参考訳(メタデータ) (2021-04-01T00:14:45Z)
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。