Fugu-MT 論文翻訳(概要): Spurious Correlations and Where to Find Them

論文の概要: Spurious Correlations and Where to Find Them

arxiv url: http://arxiv.org/abs/2308.11043v1
Date: Mon, 21 Aug 2023 21:06:36 GMT
ステータス: 処理完了
システム内更新日: 2023-08-23 20:00:32.981982
Title: Spurious Correlations and Where to Find Them
Title（参考訳）: 散発的な相関関係とそれを見つけるべき場所
Authors: Gautam Sreekumar and Vishnu Naresh Boddeti
Abstract要約: モデルがデータから信頼できない特徴を学習すると、余計な相関が生じる。突発的相関の発生の背後にある、よく研究されている仮説のいくつかを収集する。因果グラフから生成された合成データセットを用いた標準ERMベースラインへの影響について検討する。
参考スコア（独自算出の注目度）: 17.1264393170134
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Spurious correlations occur when a model learns unreliable features from the data and are a well-known drawback of data-driven learning. Although there are several algorithms proposed to mitigate it, we are yet to jointly derive the indicators of spurious correlations. As a result, the solutions built upon standalone hypotheses fail to beat simple ERM baselines. We collect some of the commonly studied hypotheses behind the occurrence of spurious correlations and investigate their influence on standard ERM baselines using synthetic datasets generated from causal graphs. Subsequently, we observe patterns connecting these hypotheses and model design choices.
Abstract（参考訳）: モデルがデータから信頼できない特徴を学習し、データ駆動学習のよく知られた欠点であるときに、明らかな相関が生じる。これを緩和するためのアルゴリズムはいくつか提案されているが、スプリアス相関の指標は共同して導出していない。その結果、スタンドアローン仮説に基づく解は単純なERMベースラインを破ることができない。我々は,スプリアス相関の発生の背後にある一般的な仮説を収集し,因果グラフから生成された合成データセットを用いた標準ermベースラインへの影響を検討する。その後、これらの仮説とモデル設計の選択を結びつけるパターンを観察する。

関連論文リスト

Towards Robust Text Classification: Mitigating Spurious Correlations with Causal Learning [2.7813683000222653]
本稿では,因果関係へのモデル依存を軽減するために,因果相関ロバスト (CCR) を提案する。 CCRは、逆確率重み付け(IPW)損失関数とともに、反ファクト推論に基づく因果的特徴選択法を統合する。グループラベルを持たないメソッド間でのCCRの最先端性能を示し、場合によってはグループラベルを利用するモデルと競合する。
論文参考訳（メタデータ） (2024-11-01T21:29:07Z)
Deep Causal Generative Models with Property Control [11.604321459670315]
我々は相関対応因果変分自動エンコーダ(C2VAE)と呼ばれる新しい深層生成フレームワークを提案する。 C2VAEは、非絡み付き潜在ベクトルを用いて特性間の相関関係と因果関係を同時に回復する。
論文参考訳（メタデータ） (2024-05-25T13:07:27Z)
Sample, estimate, aggregate: A recipe for causal discovery foundation models [28.116832159265964]
我々は、古典因果探索アルゴリズムの出力からより大きな因果グラフを予測することを学ぶ教師付きモデルを訓練する。我々のアプローチは、古典的手法の出力における典型的なエラーがデータセット間で比較できるという観察によって実現されている。実データおよび合成データに関する実験では、このモデルが不特定性や分布シフトに直面して高い精度を維持することを示した。
論文参考訳（メタデータ） (2024-02-02T21:57:58Z)
Discovering Mixtures of Structural Causal Models from Time Series Data [23.18511951330646]
基礎となる因果モデルを推測するために, MCD と呼ばれる一般的な変分推論に基づくフレームワークを提案する。このアプローチでは、データ可能性のエビデンス-ローバウンドを最大化するエンドツーエンドのトレーニングプロセスを採用しています。本研究では,本手法が因果発見タスクにおける最先端のベンチマークを上回ることを実証する。
論文参考訳（メタデータ） (2023-10-10T05:13:10Z)
Causal Reasoning in the Presence of Latent Confounders via Neural ADMG Learning [8.649109147825985]
潜伏境界は、観測データから因果推論を行うための長年の障害である。本稿では,ADMG学習のための自己回帰フローに基づく新しい神経因果モデルを提案する。
論文参考訳（メタデータ） (2023-03-22T16:45:54Z)
Less is More: Mitigate Spurious Correlations for Open-Domain Dialogue Response Generation Models by Causal Discovery [52.95935278819512]
本研究で得られたCGDIALOGコーパスに基づくオープンドメイン応答生成モデルのスプリアス相関に関する最初の研究を行った。因果探索アルゴリズムに着想を得て,反応生成モデルの学習と推論のための新しいモデル非依存手法を提案する。
論文参考訳（メタデータ） (2023-03-02T06:33:48Z)
Disentangling Observed Causal Effects from Latent Confounders using Method of Moments [67.27068846108047]
我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
論文参考訳（メタデータ） (2021-01-17T07:48:45Z)
Accounting for Unobserved Confounding in Domain Generalization [107.0464488046289]
本稿では,データセットの組み合わせから頑健で一般化可能な予測モデルを学習する際の問題点について検討する。堅牢なモデルを学ぶことの課題の一部は、保存されていない共同設立者の影響にある。異なるモダリティの医療データに対するアプローチの実証的性能を実証する。
論文参考訳（メタデータ） (2020-07-21T08:18:06Z)
Amortized Causal Discovery: Learning to Infer Causal Graphs from Time-Series Data [63.15776078733762]
本稿では,時系列データから因果関係を推定する新しいフレームワークであるAmortized Causal Discoveryを提案する。本研究では,本手法が変分モデルとして実装され,因果発見性能が大幅に向上することを示した。
論文参考訳（メタデータ） (2020-06-18T19:59:12Z)
On Disentangled Representations Learned From Correlated Data [59.41587388303554]
相関データに対する最も顕著な絡み合うアプローチの挙動を解析することにより、現実のシナリオにギャップを埋める。本研究では,データセットの体系的相関が学習され,潜在表現に反映されていることを示す。また、トレーニング中の弱い監督や、少数のラベルで事前訓練されたモデルを修正することで、これらの潜伏相関を解消する方法を実証する。
論文参考訳（メタデータ） (2020-06-14T12:47:34Z)
Learning Causal Models Online [103.87959747047158]
予測モデルは、予測を行うためにデータの急激な相関に依存することができる。強い一般化を達成するための一つの解決策は、モデルに因果構造を組み込むことである。本稿では,突発的特徴を継続的に検出・除去するオンラインアルゴリズムを提案する。
論文参考訳（メタデータ） (2020-06-12T20:49:20Z)

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。