論文の概要: What Happens to a Dataset Transformed by a Projection-based Concept Removal Method?
- arxiv url: http://arxiv.org/abs/2403.16142v1
- Date: Sun, 24 Mar 2024 13:28:27 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-26 17:25:57.724795
- Title: What Happens to a Dataset Transformed by a Projection-based Concept Removal Method?
- Title（参考訳）: 投影型概念除去法で変換されたデータセットに何が起こるか
- Authors: Richard Johansson,
- Abstract要約: 線形射影法を用いて概念に関する情報を言語表現から除去する手法の振る舞いについて検討する。
実世界のデータと合成データの理論的解析と実験により、これらの手法は変換されたデータセットに強い統計的依存関係を注入することを示した。
- 参考スコア（独自算出の注目度）: 6.231304401179968
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: We investigate the behavior of methods that use linear projections to remove information about a concept from a language representation, and we consider the question of what happens to a dataset transformed by such a method. A theoretical analysis and experiments on real-world and synthetic data show that these methods inject strong statistical dependencies into the transformed datasets. After applying such a method, the representation space is highly structured: in the transformed space, an instance tends to be located near instances of the opposite label. As a consequence, the original labeling can in some cases be reconstructed by applying an anti-clustering method.
- Abstract（参考訳）: 本稿では,線形射影を用いて概念に関する情報を言語表現から除去する手法の振る舞いについて検討し,そのような手法によって変換されたデータセットに何が起こるかという問題を考察する。
実世界のデータと合成データの理論的解析と実験により、これらの手法は変換されたデータセットに強い統計的依存関係を注入することを示した。
このような方法を適用すると、表現空間は高度に構造化され、変換された空間では、インスタンスは反対ラベルのインスタンスの近くに置かれる傾向がある。
結果として、元のラベル付けは、場合によっては、アンチクラスタリング法を適用して再構成することができる。
関連論文リスト
- Object Representations as Fixed Points: Training Iterative Refinement
Algorithms with Implicit Differentiation [88.14365009076907]
反復的洗練は表現学習に有用なパラダイムである。
トレーニングの安定性とトラクタビリティを向上させる暗黙の差別化アプローチを開発する。
論文 参考訳（メタデータ） (2022-07-02T10:00:35Z) - Low-rank features based double transformation matrices learning for
image classification [12.833812156862873]
本稿では,潜在低ランク特徴抽出に基づく二重変換行列学習法を提案する。
複数のデータセットに対する実験は、特に複雑なシナリオにおいて、分類のためのアプローチの有効性を示す。
論文 参考訳（メタデータ） (2022-01-28T04:31:18Z) - Efficient Multidimensional Functional Data Analysis Using Marginal
Product Basis Systems [2.4554686192257424]
多次元関数データのサンプルから連続表現を学習するためのフレームワークを提案する。
本研究では, テンソル分解により, 得られた推定問題を効率的に解けることを示す。
我々は、ニューロイメージングにおける真のデータ応用で締めくくっている。
論文 参考訳（メタデータ） (2021-07-30T16:02:15Z) - MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood
Inference from Sampled Trajectories [61.3299263929289]
シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。
あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。
モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
論文 参考訳（メタデータ） (2021-06-03T12:59:16Z) - Learning disentangled representations via product manifold projection [10.677966716893762]
そこで本研究では,ある観測セットの根底にある変化の生成因子を解き放つ新しい手法を提案する。
我々の手法は、データ空間の下の(未知の)低次元多様体を、部分多様体の積として明示的にモデル化できるという考えに基づいている。
論文 参考訳（メタデータ） (2021-03-02T10:59:59Z) - Unsupervised Sentence-embeddings by Manifold Approximation and
Projection [3.04585143845864]
本研究では, 文を固定次元多様体に投影することにより, 文埋め込みを教師なしで生成する手法を提案する。
我々は,EMAP(Embedddings by Manifold Approximation and Projection)と呼ばれるアプローチを,サイズと複雑さの異なる6つの公開テキスト分類データセット上で検証する。
論文 参考訳（メタデータ） (2021-02-07T13:27:58Z) - Evaluating the Disentanglement of Deep Generative Models through
Manifold Topology [66.06153115971732]
本稿では,生成モデルのみを用いた乱れの定量化手法を提案する。
複数のデータセットにまたがるいくつかの最先端モデルを実証的に評価する。
論文 参考訳（メタデータ） (2020-06-05T20:54:11Z) - Null It Out: Guarding Protected Attributes by Iterative Nullspace
Projection [51.041763676948705]
Iterative Null-space Projection (INLP) は神経表現から情報を取り除く新しい方法である。
提案手法は,単語埋め込みにおけるバイアスを軽減するとともに,複数クラス分類の設定において公平性を高めることができることを示す。
論文 参考訳（メタデータ） (2020-04-16T14:02:50Z) - Learning to Manipulate Individual Objects in an Image [71.55005356240761]
本稿では,独立性および局所性を有する潜在因子を用いた生成モデルを学習する手法について述べる。
これは、潜伏変数の摂動が、オブジェクトに対応する合成画像の局所領域のみに影響を与えることを意味する。
他の教師なし生成モデルとは異なり、オブジェクトレベルのアノテーションを必要とせず、オブジェクト中心の操作を可能にする。
論文 参考訳（メタデータ） (2020-04-11T21:50:20Z) - There and Back Again: Revisiting Backpropagation Saliency Methods [87.40330595283969]
正当性法は,各入力サンプルの重要度マップを作成することによって,モデルの予測を説明する。
このような手法の一般的なクラスは、信号のバックプロパゲートと結果の勾配の分析に基づいている。
本稿では,そのような手法を統一可能な単一のフレームワークを提案する。
論文 参考訳（メタデータ） (2020-04-06T17:58:08Z) - Learning regularization and intensity-gradient-based fidelity for single
image super resolution [0.0]
画像劣化の進行について検討し、強度と勾配空間の両方で劣化モデルを確立する。
復元には包括的データ一貫性制約が設定される。
提案した忠実度項と設計された正規化項は正規化フレームワークに組み込まれる。
論文 参考訳（メタデータ） (2020-03-24T07:03:18Z)
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。