論文の概要: Focusing Image Generation to Mitigate Spurious Correlations

• arxiv url: http://arxiv.org/abs/2412.19457v1
• Date: Fri, 27 Dec 2024 04:48:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-30 17:26:15.425930
• Title: Focusing Image Generation to Mitigate Spurious Correlations
• Title（参考訳）: 鮮やかな相関を緩和する画像生成
• Authors: Xuewei Li, Zhenzhen Nie, Mei Yu, Zijian Zhang, Jie Gao, Tianyi Xu, Zhiqiang Liu,
• Abstract要約: 画像のインスタンスの特徴は背景の特徴と急激な相関を示し、ディープニューラル分類器の訓練プロセスに影響を与える。 本稿では,画像生成モデルを用いてスプリアス相関を緩和するSpurious correlations Guided Synthesis (SCGS) というデータ拡張手法を提案する。
• 参考スコア（独自算出の注目度）: 13.225738145621843
• License:
• Abstract: Instance features in images exhibit spurious correlations with background features, affecting the training process of deep neural classifiers. This leads to insufficient attention to instance features by the classifier, resulting in erroneous classification outcomes. In this paper, we propose a data augmentation method called Spurious Correlations Guided Synthesis (SCGS) that mitigates spurious correlations through image generation model. This approach does not require expensive spurious attribute (group) labels for the training data and can be widely applied to other debiasing methods. Specifically, SCGS first identifies the incorrect attention regions of a pre-trained classifier on the training images, and then uses an image generation model to generate new training data based on these incorrect attended regions. SCGS increases the diversity and scale of the dataset to reduce the impact of spurious correlations on classifiers. Changes in the classifier's attention regions and experimental results on three different domain datasets demonstrate that this method is effective in reducing the classifier's reliance on spurious correlations.
• Abstract（参考訳）: 画像のインスタンスの特徴は背景の特徴と急激な相関を示し、ディープニューラル分類器の訓練プロセスに影響を与える。 これにより、分類器によるインスタンスの特徴への注意が不足し、誤った分類結果がもたらされる。 本稿では,画像生成モデルを用いてスプリアス相関を緩和するSpurious correlations Guided Synthesis (SCGS) と呼ばれるデータ拡張手法を提案する。 このアプローチでは、トレーニングデータに高価なスプリアス属性(グループ)ラベルは必要とせず、他のデバイアス法にも広く適用できる。 具体的には、SCGSはまず、トレーニング画像上で事前訓練された分類器の誤注意領域を特定し、次いで画像生成モデルを用いて、これらの誤学習領域に基づいて、新たなトレーニングデータを生成する。 SCGSはデータセットの多様性とスケールを高め、分類器に対する素早い相関の影響を減らす。 分類器の注意領域の変化と3つの異なる領域データセットに対する実験結果から,分類器の素因関係への依存度を低減させる効果が示された。

関連論文リスト

• Spuriousness-Aware Meta-Learning for Learning Robust Classifiers [26.544938760265136]
  Spurious correlations is brittle associations between certain attribute of inputs and target variables。 深部画像分類器はしばしばそれらを予測に利用し、相関が持たないデータの一般化が不十分になる。 スプリアス相関の影響を緩和することはロバストなモデル一般化に不可欠であるが、しばしばデータ内のスプリアス相関のアノテーションを必要とする。
  論文  参考訳（メタデータ） (2024-06-15T21:41:25Z)
• Additional Look into GAN-based Augmentation for Deep Learning COVID-19 Image Classification [57.1795052451257]
  我々は,GANに基づく拡張性能のデータセットサイズ依存性について,小サンプルに着目して検討した。 両方のセットでStyleGAN2-ADAをトレーニングし、生成した画像の品質を検証した後、マルチクラス分類問題における拡張アプローチの1つとしてトレーニングされたGANを使用する。 GANベースの拡張アプローチは、中規模および大規模データセットでは古典的な拡張に匹敵するが、より小さなデータセットでは不十分である。
  論文  参考訳（メタデータ） (2024-01-26T08:28:13Z)
• Common-Sense Bias Discovery and Mitigation for Classification Tasks [15.683471433842492]
  テキスト記述に基づく画像データセットにおける包括的バイアス情報を抽出する新しい枠組みを提案する。 ダウンストリーム実験により,複数の画像ベンチマークデータセットから新しいモデルバイアスが検出された。 発見されたバイアスは、単純なデータ再重み付け戦略によって緩和することができる。
  論文  参考訳（メタデータ） (2024-01-24T03:56:07Z)
• Fine-grained Recognition with Learnable Semantic Data Augmentation [68.48892326854494]
  きめ細かい画像認識は、長年続くコンピュータビジョンの課題である。 本稿では,識別領域損失問題を軽減するため,特徴レベルのトレーニングデータを多様化することを提案する。 本手法は,いくつかの人気分類ネットワーク上での一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2023-09-01T11:15:50Z)
• Controlling Learned Effects to Reduce Spurious Correlations in Text Classifiers [6.662800021628275]
  本稿では,特徴の学習効果をモデルで予測し,特徴がラベルに与える影響を推定するアルゴリズムを提案する。 毒性とIMDBレビューデータセットについて、提案アルゴリズムは、突発的な相関を最小化し、マイノリティグループを改善する。
  論文  参考訳（メタデータ） (2023-05-26T12:15:54Z)
• Identifying Spurious Correlations and Correcting them with an Explanation-based Learning [4.039245878626345]
  本稿では,画像分類問題に対する学習モデルにより学習されたスプリアス相関を簡易に同定する手法を提案する。 トレーニングしたモデルを用いて,画像レベルの摂動を適用し,予測精度の変化を監視する。
  論文  参考訳（メタデータ） (2022-11-15T16:34:53Z)
• Treatment Learning Causal Transformer for Noisy Image Classification [62.639851972495094]
  本研究では,この2値情報「ノイズの存在」を画像分類タスクに組み込んで予測精度を向上させる。 因果的変動推定から動機付け,雑音画像分類のための頑健な特徴表現を潜在生成モデルを用いて推定するトランスフォーマーに基づくアーキテクチャを提案する。 また、パフォーマンスベンチマークのための幅広いノイズ要素を取り入れた、新しいノイズの多い画像データセットも作成する。
  論文  参考訳（メタデータ） (2022-03-29T13:07:53Z)
• Learning from Partially Overlapping Labels: Image Segmentation under Annotation Shift [68.6874404805223]
  腹部臓器分節の文脈におけるラベルの重複から学ぶためのいくつかの方法を提案する。 半教師付きアプローチと適応的クロスエントロピー損失を組み合わせることで、不均一な注釈付きデータをうまく活用できることが判明した。
  論文  参考訳（メタデータ） (2021-07-13T09:22:24Z)
• Towards Robust Classification Model by Counterfactual and Invariant Data Generation [7.488317734152585]
  純粋さは、一部の特徴がラベルと相関するが因果関係がないときに起こる。 本稿では2つのデータ生成プロセスを提案する。 我々のデータ生成は、スプリアス相関が壊れたときの精度で最先端の手法より優れています。
  論文  参考訳（メタデータ） (2021-06-02T12:48:29Z)
• Background Splitting: Finding Rare Classes in a Sea of Background [55.03789745276442]
  我々は,少数の稀なカテゴリの画像分類のための,高精度な深層モデルの訓練という現実的な問題に焦点をあてる。 これらのシナリオでは、ほとんどの画像はデータセットの背景カテゴリに属します(データセットの95%は背景です)。 非バランスなデータセットをトレーニングするための標準的な微調整アプローチと最先端アプローチの両方が、この極端な不均衡の存在下で正確な深層モデルを生成していないことを実証する。
  論文  参考訳（メタデータ） (2020-08-28T23:05:15Z)
• Out-of-distribution Generalization via Partial Feature Decorrelation [72.96261704851683]
  本稿では,特徴分解ネットワークと対象画像分類モデルとを協調的に最適化する,PFDL(Partial Feature Deorrelation Learning)アルゴリズムを提案する。 実世界のデータセットを用いた実験により,OOD画像分類データセットにおけるバックボーンモデルの精度が向上することを示した。
  論文  参考訳（メタデータ） (2020-07-30T05:48:48Z)

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。