論文の概要: Understanding and Reducing the Class-Dependent Effects of Data Augmentation with A Two-Player Game Approach
- arxiv url: http://arxiv.org/abs/2407.03146v3
- Date: Tue, 25 Mar 2025 09:05:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-26 16:53:11.759900
- Title: Understanding and Reducing the Class-Dependent Effects of Data Augmentation with A Two-Player Game Approach
- Title(参考訳): ツープレイゲームアプローチによるデータ強化のクラス依存効果の理解と低減
- Authors: Yunpeng Jiang, Paul Weng, Yutong Ban,
- Abstract要約: CLAssに依存した乗算重み付け方式であるCLAMを提案する。
以上の結果から,学習した分類器の性能は,平均精度に限られた影響しか与えず,クラスにかなり分散していることが明らかとなった。
- 参考スコア(独自算出の注目度): 7.05832012052375
- License:
- Abstract: Data augmentation is widely applied and has shown its benefits in different machine learning tasks. However, as recently observed, it may have an unfair effect in multi-class classification. While data augmentation generally improves the overall performance (and therefore is beneficial for many classes), it can actually be detrimental for other classes, which can be problematic in some application domains. In this paper, to counteract this phenomenon, we propose CLAM, a CLAss-dependent Multiplicative-weights method. To derive it, we first formulate the training of a classifier as a non-linear optimization problem that aims at simultaneously maximizing the individual class performances and balancing them. By rewriting this optimization problem as an adversarial two-player game, we propose a novel multiplicative weight algorithm, for which we prove the convergence. Interestingly, our formulation also reveals that the class-dependent effects of data augmentation is not due to data augmentation only, but is in fact a general phenomenon. Our empirical results over five datasets demonstrate that the performance of learned classifiers is indeed more fairly distributed over classes, with only limited impact on the average accuracy.
- Abstract(参考訳): データ拡張は広く適用されており、さまざまな機械学習タスクにおいてそのメリットを示している。
しかし、最近観察されたように、多クラス分類において不公平な効果がある可能性がある。
データ拡張は一般的に全体的なパフォーマンスを改善するが(従って多くのクラスにとって有益である)、実際には他のクラスにとって有害であり、いくつかのアプリケーションドメインでは問題となることがある。
本稿では,CLAss依存型乗算重み法CLAMを提案する。
導出するために、まず分類器のトレーニングを非線形最適化問題として定式化し、各クラスのパフォーマンスを最大化し、バランスをとることを目的とした。
この最適化問題を対角2プレーヤゲームとして書き換えることにより,新たな乗法重みアルゴリズムを提案し,その収束性を証明した。
興味深いことに、我々の定式化は、データ拡張のクラス依存的な効果は、データ増大によるものではなく、実際は一般的な現象であることも明らかにしている。
5つのデータセットに対する実験結果から,学習した分類器の性能は,平均精度に限られた影響しか与えず,クラス間でかなり分散していることが明らかとなった。
関連論文リスト
- CAT: Exploiting Inter-Class Dynamics for Domain Adaptive Object Detection [22.11525246060963]
ドメイン適応設定におけるクラスバイアス問題に対処するクラス意識教師(CAT)を提案する。
我々の研究では、クラス間関係モジュール(ICRm)とのクラス関係を近似し、モデル内のバイアスを減らすためにそれを利用する。
各種データセットおよびアブレーション実験により,本手法はドメイン適応設定におけるクラスバイアスに対処可能であることが示された。
論文 参考訳(メタデータ) (2024-03-28T10:02:08Z) - Classes Are Not Equal: An Empirical Study on Image Recognition Fairness [100.36114135663836]
我々は,クラスが等しくないことを実験的に証明し,様々なデータセットにまたがる画像分類モデルにおいて,公平性の問題が顕著であることを示した。
以上の結果から,モデルでは認識が困難であるクラスに対して,予測バイアスが大きくなる傾向が示唆された。
データ拡張および表現学習アルゴリズムは、画像分類のある程度の公平性を促進することにより、全体的なパフォーマンスを向上させる。
論文 参考訳(メタデータ) (2024-02-28T07:54:50Z) - Understanding the Detrimental Class-level Effects of Data Augmentation [63.1733767714073]
最適な平均精度を達成するには、ImageNetで最大20%の個々のクラスの精度を著しく損なうコストがかかる。
本稿では,DAがクラスレベルの学習力学とどのように相互作用するかを理解するためのフレームワークを提案する。
そこで本研究では, クラス条件拡張戦略により, 負の影響を受けるクラスの性能が向上することを示す。
論文 参考訳(メタデータ) (2023-12-07T18:37:43Z) - Review of Methods for Handling Class-Imbalanced in Classification
Problems [0.0]
場合によっては、あるクラスはほとんどの例を含むが、他方はより重要なクラスであり、しかしながら、少数の例で表される。
本稿では、データレベル、アルゴリズムレベル、ハイブリッド、コスト感受性学習、ディープラーニングを含む、クラス不均衡による学習の問題に対処する最も広く使われている手法について検討する。
論文 参考訳(メタデータ) (2022-11-10T10:07:10Z) - Multi-Class Classification from Single-Class Data with Confidences [90.48669386745361]
本稿では,損失/モデル/最適化非依存のリスク最小化フレームワークを提案する。
提案手法は, 与えられた信頼度が高ノイズであっても, 簡易な修正でベイズ整合性を示す。
論文 参考訳(メタデータ) (2021-06-16T15:38:13Z) - No Fear of Heterogeneity: Classifier Calibration for Federated Learning
with Non-IID Data [78.69828864672978]
実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。
このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。
実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
論文 参考訳(メタデータ) (2021-06-09T12:02:29Z) - Class-Incremental Learning with Generative Classifiers [6.570917734205559]
本稿では,クラス増分学習のための新しい戦略を提案する。
本提案は,p(x|y)p(y) として分解された合同分布 p(x,y) を学習し,ベイズ則を用いた分類を行うことである。
ここでは,各学習クラスに対して,変分オートエンコーダをトレーニングすることで,この戦略を実証する。
論文 参考訳(メタデータ) (2021-04-20T16:26:14Z) - Theoretical Insights Into Multiclass Classification: A High-dimensional
Asymptotic View [82.80085730891126]
線形多クラス分類の最初の現代的精度解析を行う。
分析の結果,分類精度は分布に依存していることがわかった。
得られた洞察は、他の分類アルゴリズムの正確な理解の道を開くかもしれない。
論文 参考訳(メタデータ) (2020-11-16T05:17:29Z) - Learning and Evaluating Representations for Deep One-class
Classification [59.095144932794646]
ディープワンクラス分類のための2段階フレームワークを提案する。
まず,一級データから自己教師付き表現を学習し,学習した表現に基づいて一級分類器を構築する。
実験では、視覚領域の1クラス分類ベンチマークで最先端の性能を示す。
論文 参考訳(メタデータ) (2020-11-04T23:33:41Z)
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。