論文の概要: Environment-biased Feature Ranking for Novelty Detection Robustness
- arxiv url: http://arxiv.org/abs/2309.12301v1
- Date: Thu, 21 Sep 2023 17:58:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-22 13:49:22.898324
- Title: Environment-biased Feature Ranking for Novelty Detection Robustness
- Title（参考訳）: 新規検出ロバスト性のための環境バイアス特徴ランキング
- Authors: Stefan Smeu, Elena Burceanu, Emanuela Haller, Andrei Liviu Nicolicioiu
- Abstract要約: 本研究は,意味的内容の面での新規性の検出を目的とした,堅牢な新規性検出の課題に対処する。
本稿では,事前学習した埋め込みとマルチ環境設定から始める手法を提案し,その環境焦点に基づいて特徴をランク付けする手法を提案する。
- 参考スコア（独自算出の注目度）: 8.402607231390606
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We tackle the problem of robust novelty detection, where we aim to detect
novelties in terms of semantic content while being invariant to changes in
other, irrelevant factors. Specifically, we operate in a setup with multiple
environments, where we determine the set of features that are associated more
with the environments, rather than to the content relevant for the task. Thus,
we propose a method that starts with a pretrained embedding and a multi-env
setup and manages to rank the features based on their environment-focus. First,
we compute a per-feature score based on the feature distribution variance
between envs. Next, we show that by dropping the highly scored ones, we manage
to remove spurious correlations and improve the overall performance by up to
6%, both in covariance and sub-population shift cases, both for a real and a
synthetic benchmark, that we introduce for this task.
- Abstract（参考訳）: 我々は,意味的内容の面での新規性の検出を,他の非関係な要因に不変でありながら行おうとする,堅牢な新規性検出の課題に取り組む。
具体的には、複数の環境を備えたセットアップで動作し、タスクに関連するコンテンツではなく、環境に関連付けられた機能のセットを決定します。
そこで本研究では,事前学習した組込みとマルチenv設定から始めて,その環境に焦点をあてて特徴をランク付けする手法を提案する。
まず,envs間の特徴分布のばらつきに基づいて,特徴単位のスコアを計算する。
次に,高得点を下げることにより,本課題に導入した実・合成ベンチマークにおいて,共分散・サブ人口シフトの両ケースにおいて,突発的な相関を取り除き,全体の性能を最大6%向上することを示す。
関連論文リスト
- Localized Distributional Robustness in Submodular Multi-Task Subset Selection [5.116582735311639]
標準マルチタスク目標に対する相対エントロピーを利用する正規化項を提案する。
この新規な定式化は、部分モジュラ函数からなる単調増加関数と等価であることを示す。
新たな定式化は, 局所的に分布性が高く, 計算コストも低い解を生成すると結論づける。
論文 参考訳（メタデータ） (2024-04-04T19:06:29Z) - Unifying Feature and Cost Aggregation with Transformers for Semantic and Visual Correspondence [51.54175067684008]
本稿では,高密度マッチングタスク用に設計されたTransformerベースの積分機能とコスト集約ネットワークを提案する。
まず, 特徴集約とコスト集約が異なる特徴を示し, 双方の集約プロセスの司法的利用から生じる実質的な利益の可能性を明らかにした。
本フレームワークは意味マッチングのための標準ベンチマークで評価され,また幾何マッチングにも適用された。
論文 参考訳（メタデータ） (2024-03-17T07:02:55Z) - Proxy Methods for Domain Adaptation [78.03254010884783]
プロキシ変数は、遅延変数を明示的にリカバリしたりモデル化したりすることなく、分散シフトへの適応を可能にする。
両設定の複雑な分散シフトに適応する2段階のカーネル推定手法を開発した。
論文 参考訳（メタデータ） (2024-03-12T09:32:41Z) - Bridging Domains with Approximately Shared Features [26.096779584142986]
マルチソースドメイン適応は、未知のドメインに機械学習モデルを適用する際のパフォーマンス劣化を低減することを目的としている。
ソースドメインから不変の機能を学ぶことを支持する者もいれば、より多様な機能を好む者もいる。
本稿では,それらの相関関係のばらつきに基づいて特徴の効用を識別し,ドメイン間で$y$のラベルを付ける統計フレームワークを提案する。
論文 参考訳（メタデータ） (2024-03-11T04:25:41Z) - Causal Feature Selection via Transfer Entropy [59.999594949050596]
因果発見は、観察データによる特徴間の因果関係を特定することを目的としている。
本稿では,前向きと後向きの機能選択に依存する新たな因果的特徴選択手法を提案する。
精度および有限サンプルの場合の回帰誤差と分類誤差について理論的に保証する。
論文 参考訳（メタデータ） (2023-10-17T08:04:45Z) - Stylist: Style-Driven Feature Ranking for Robust Novelty Detection [8.402607231390606]
本稿では,タスクに関連する意味的・内容的変化と,無関係なスタイル的変化に分離する形式化を提案する。
この形式化の中で、ロバストな新規性検出を、スタイルの分布シフトに頑健でありながら意味的変化を見つけるタスクとして定義する。
提案手法は, 相関関係に係わる特徴を除去し, 新規検出性能を向上することを示す。
論文 参考訳（メタデータ） (2023-10-05T17:58:32Z) - Copula for Instance-wise Feature Selection and Ranking [24.09326839818306]
本稿では,変数間の相関を捉える強力な数学的手法であるガウスコプラを,現在の特徴選択フレームワークに組み込むことを提案する。
提案手法が有意な相関関係を捉えることができることを示すために, 合成データセットと実データセットの双方について, 性能比較と解釈可能性の観点から実験を行った。
論文 参考訳（メタデータ） (2023-08-01T13:45:04Z) - Multi-Environment Meta-Learning in Stochastic Linear Bandits [49.387421094105136]
単一環境ではなく混合分布からタスクパラメータを引き出す場合のメタ学習の可能性を検討する。
我々は,新しいタスクが発する環境の知識を必要とせずに,新しいタスクに対する後悔度を低く抑えるOFULアルゴリズムの正規化バージョンを提案する。
論文 参考訳（メタデータ） (2022-05-12T19:31:28Z) - A New Representation of Successor Features for Transfer across
Dissimilar Environments [60.813074750879615]
多くの実世界のRL問題は、異なるダイナミクスを持つ環境間での移動を必要とする。
ガウス過程を用いて後継特徴関数をモデル化する手法を提案する。
我々の理論的解析は、この手法の収束と、後続特徴関数のモデル化における有界誤差を証明している。
論文 参考訳（メタデータ） (2021-07-18T12:37:05Z) - Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking
Fairness and Algorithm Utility [54.179859639868646]
Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。
学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。
本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-15T10:08:39Z)
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。