論文の概要: Adapting to Shifting Correlations with Unlabeled Data Calibration

• arxiv url: http://arxiv.org/abs/2409.05996v1
• Date: Mon, 9 Sep 2024 18:45:43 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-11 20:02:25.027289
• Title: Adapting to Shifting Correlations with Unlabeled Data Calibration
• Title（参考訳）: ラベルのないデータキャリブレーションと相関のシフトに適応する
• Authors: Minh Nguyen, Alan Q. Wang, Heejong Kim, Mert R. Sabuncu,
• Abstract要約: サイト間の分散シフトは、不安定な相関を利用する傾向にあるため、モデル性能を著しく低下させる可能性がある。 本稿では,モデル予測を予測対象と共同設立者間のシフト相関に適応させるフレキシブルな手法であるGeneralized Prevalence Adjustment (GPA)を提案する。 GPAは、これらのサイトからの未ラベルのサンプルを使用して、新しいサイトのターゲットと共同創設者の相互作用を推測することができる。
• 参考スコア（独自算出の注目度）: 6.84735357291896
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Distribution shifts between sites can seriously degrade model performance since models are prone to exploiting unstable correlations. Thus, many methods try to find features that are stable across sites and discard unstable features. However, unstable features might have complementary information that, if used appropriately, could increase accuracy. More recent methods try to adapt to unstable features at the new sites to achieve higher accuracy. However, they make unrealistic assumptions or fail to scale to multiple confounding features. We propose Generalized Prevalence Adjustment (GPA for short), a flexible method that adjusts model predictions to the shifting correlations between prediction target and confounders to safely exploit unstable features. GPA can infer the interaction between target and confounders in new sites using unlabeled samples from those sites. We evaluate GPA on several real and synthetic datasets, and show that it outperforms competitive baselines.
• Abstract（参考訳）: サイト間の分散シフトは、不安定な相関を利用する傾向にあるため、モデル性能を著しく低下させる可能性がある。 したがって、多くの手法は、サイト全体で安定な機能を見つけ、不安定な機能を捨てようとする。 しかし、不安定な特徴は相補的な情報を持ち、適切に使用すれば精度が向上する可能性がある。 より最近の手法では、新しい場所で不安定な特徴に適応し、より高い精度を達成しようとしている。 しかし、それらは非現実的な仮定をするか、複数の相反する特徴にスケールできない。 本稿では,モデル予測を予測対象と共同設立者間のシフト相関に適応させ,不安定な特徴を安全に活用するフレキシブルな手法である一般事前調整(GPA)を提案する。 GPAは、これらのサイトからの未ラベルのサンプルを使用して、新しいサイトのターゲットと共同創設者の相互作用を推測することができる。 我々は,複数の実・合成データセット上でGPAを評価し,競争ベースラインを上回っていることを示す。

関連論文リスト

• Robust Learning via Conditional Prevalence Adjustment [7.480241867887245]
  ディープラーニングモデルは、目に見えない場所で破滅的に失敗する可能性がある。 本稿では,CoPA(Conditional Prevalence-Adjustment)という手法を提案する。
  論文  参考訳（メタデータ） (2023-10-24T12:13:49Z)
• Spuriosity Didn't Kill the Classifier: Using Invariant Predictions to Harness Spurious Features [19.312258609611686]
  安定フィーチャーブースティング(SFB)は、安定かつ条件に依存しない不安定な特徴を分離する予測器を学習するためのアルゴリズムである。 SFBはテストドメインラベルを使わずに最適な予測器を学習できることを示す。 実データおよび合成データに対するSFBの有効性を実証的に示す。
  論文  参考訳（メタデータ） (2023-07-19T12:15:06Z)
• Unleashing the Power of Graph Data Augmentation on Covariate Distribution Shift [50.98086766507025]
  本稿では,AIA(Adversarial Invariant Augmentation)という,シンプルで効率の良いデータ拡張戦略を提案する。 AIAは、拡張プロセス中に元の安定した特徴を同時に保存しながら、新しい環境をエクスポーレーションし、生成することを目的としている。
  論文  参考訳（メタデータ） (2022-11-05T07:55:55Z)
• Domain Adaptation under Missingness Shift [38.650099178537864]
  欠損度シフト(DAMS)下におけるドメイン適応問題について紹介する。 欠落したデータのレートは、しばしば記録保持ポリシーに依存するため、時間や場所によって変化する可能性がある。 合成データおよび半合成データの実験において,仮定が成立する際の手法の可能性を実証した。
  論文  参考訳（メタデータ） (2022-11-03T18:49:38Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Training on Test Data with Bayesian Adaptation for Covariate Shift [96.3250517412545]
  ディープニューラルネットワークは、信頼できない不確実性推定で不正確な予測を行うことが多い。 分布シフトの下でのラベルなし入力とモデルパラメータとの明確に定義された関係を提供するベイズモデルを導出する。 本手法は精度と不確実性の両方を向上することを示す。
  論文  参考訳（メタデータ） (2021-09-27T01:09:08Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)
• Evaluating Prediction-Time Batch Normalization for Robustness under Covariate Shift [81.74795324629712]
  我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。 予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。 この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
  論文  参考訳（メタデータ） (2020-06-19T05:08:43Z)
• Meta-Learned Confidence for Few-shot Learning [60.6086305523402]
  数ショットのメトリックベースのアプローチのための一般的なトランスダクティブ推論手法は、最も確実なクエリ例の平均で、各クラスのプロトタイプを更新することである。 本稿では,各クエリの信頼度をメタラーニングして,ラベルのないクエリに最適な重みを割り当てる手法を提案する。 4つのベンチマークデータセットに対してメタ学習の信頼度で、少数ショットの学習モデルを検証した。
  論文  参考訳（メタデータ） (2020-02-27T10:22:17Z)

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。