論文の概要: Iterative Counterfactual Data Augmentation

• arxiv url: http://arxiv.org/abs/2502.18249v1
• Date: Tue, 25 Feb 2025 14:33:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-26 15:22:27.495500
• Title: Iterative Counterfactual Data Augmentation
• Title（参考訳）: 反復的対実データ拡張
• Authors: Mitchell Plyler, Min Chi,
• Abstract要約: 本研究では,初期,高雑音干渉による反復的対実データ拡張が,ノイズが著しく低い状態に収束できることを示す。 実験には、6つの人間生成データセットと2つの大規模言語モデル生成データセットが含まれている。
• 参考スコア（独自算出の注目度）: 9.039193854524767
• License:
• Abstract: Counterfactual data augmentation (CDA) is a method for controlling information or biases in training datasets by generating a complementary dataset with typically opposing biases. Prior work often either relies on hand-crafted rules or algorithmic CDA methods which can leave unwanted information in the augmented dataset. In this work, we show iterative CDA (ICDA) with initial, high-noise interventions can converge to a state with significantly lower noise. Our ICDA procedure produces a dataset where one target signal in the training dataset maintains high mutual information with a corresponding label and the information of spurious signals are reduced. We show training on the augmented datasets produces rationales on documents that better align with human annotation. Our experiments include six human produced datasets and two large-language model generated datasets.
• Abstract（参考訳）: 対実データ拡張(英: Counterfactual Data augmentation, CDA)は、典型的な反対バイアスを持つ補完データセットを生成することにより、トレーニングデータセットの情報やバイアスを制御する方法である。 以前の作業は、しばしば手作りのルールやアルゴリズムによるCDAメソッドに依存しており、不要な情報を強化データセットに残すことができる。 本研究では,初期,高雑音干渉による反復的CDA(ICDA)が,低雑音状態に収束できることを示す。 トレーニングデータセット内の1つのターゲット信号が対応するラベルと高い相互情報を保持し、刺激信号の情報を低減したデータセットを生成する。 拡張データセットのトレーニングは、人間のアノテーションとよりよく整合した文書に有理性をもたらすことを示す。 実験には、6つの人間生成データセットと2つの大規模言語モデル生成データセットが含まれている。

関連論文リスト

• Dataset Refinement for Improving the Generalization Ability of the EEG Decoding Model [2.9972387721489655]
  脳波データセットからノイズの多いデータを除去するデータセット改良アルゴリズムを提案する。 提案したアルゴリズムは、元のデータセットよりも優れた一般化性能を実現している。 脳波領域における深層学習モデルの一般化性能を効果的に向上させることができると結論付けた。
  論文  参考訳（メタデータ） (2024-10-31T05:08:24Z)
• Automatic Dataset Construction (ADC): Sample Collection, Data Curation, and Beyond [38.89457061559469]
  本稿では,データセット作成をコストと高効率で自動化する革新的な手法を提案する。 我々は,ラベルの誤り検出,ノイズやバイアスのあるデータによる堅牢な学習など,既存の手法を組み込んだオープンソースソフトウェアを提供する。 ラベルノイズ検出、ラベルノイズ学習、クラス不均衡学習に焦点を当てた3つのベンチマークデータセットを設計する。
  論文  参考訳（メタデータ） (2024-08-21T04:45:12Z)
• A Comprehensive Survey on Data Augmentation [55.355273602421384]
  データ拡張(Data augmentation)は、既存のデータサンプルを操作することによって高品質な人工データを生成する技術である。 既存の文献調査では、特定のモダリティデータにのみ焦点が当てられている。 本稿では,異なる共通データモダリティのためのデータ拡張技術を含む,より啓蒙的な分類法を提案する。
  論文  参考訳（メタデータ） (2024-05-15T11:58:08Z)
• Group Distributionally Robust Dataset Distillation with Risk Minimization [17.05513836324578]
  本稿では,クラスタリングとリスク尺度の最小化を組み合わせ,DDを遂行する損失を最小化するアルゴリズムを提案する。 我々は、我々のアプローチに理論的根拠を与え、その効果的な一般化と部分群間のロバスト性を示す。
  論文  参考訳（メタデータ） (2024-02-07T09:03:04Z)
• STAR: Boosting Low-Resource Information Extraction by Structure-to-Text Data Generation with Large Language Models [56.27786433792638]
  STARは大規模言語モデル(LLM)を利用してデータインスタンスを合成するデータ生成手法である。 我々は、初期データインスタンスを取得するための詳細なステップバイステップ命令を設計する。 実験の結果,STARが生成したデータは,低リソースイベント抽出および関係抽出タスクの性能を著しく向上させることがわかった。
  論文  参考訳（メタデータ） (2023-05-24T12:15:19Z)
• On-the-fly Denoising for Data Augmentation in Natural Language Understanding [101.46848743193358]
  よりクリーンなオリジナルデータに基づいて訓練された有機教師モデルによって提供されるソフトな拡張ラベルから学習する,データ拡張のためのオンザフライデノケーション手法を提案する。 本手法は,一般的な拡張手法に適用でき,テキスト分類と質問応答の両タスクの性能を一貫して向上させることができる。
  論文  参考訳（メタデータ） (2022-12-20T18:58:33Z)
• LiDAR dataset distillation within bayesian active learning framework: Understanding the effect of data augmentation [63.20765930558542]
  アクティブラーニング(AL)は、アノテーションコストとデータセットサイズの削減に対処するため、最近再び注目されている。 本稿では,大規模なセマンティックKITTIデータセットの1/4分の1でALベースのデータセット蒸留を原理的に評価する。 我々は、選択したデータセット構成からのサンプルの60%のみを使用して、データ拡張が完全なデータセット精度を達成することを観察した。
  論文  参考訳（メタデータ） (2022-02-06T00:04:21Z)
• Federated Causal Discovery [74.37739054932733]
  本稿では,DAG-Shared Federated Causal Discovery (DS-FCD) という勾配学習フレームワークを開発する。 ローカルデータに直接触れることなく因果グラフを学習し、データの不均一性を自然に扱うことができる。 合成および実世界の両方のデータセットに対する大規模な実験により,提案手法の有効性が検証された。
  論文  参考訳（メタデータ） (2021-12-07T08:04:12Z)
• Unsupervised Domain Adaptive Learning via Synthetic Data for Person Re-identification [101.1886788396803]
  人物再識別(re-ID)は、ビデオ監視に広く応用されているため、ますます注目を集めている。 残念なことに、主流のディープラーニング手法では、モデルをトレーニングするために大量のラベル付きデータが必要です。 本稿では,コンピュータゲーム内で合成されたre-IDサンプルを自動的に生成するデータコレクタを開発し,同時にアノテートするデータラベラを構築した。
  論文  参考訳（メタデータ） (2021-09-12T15:51:41Z)
• Data Weighted Training Strategies for Grammatical Error Correction [8.370770440898454]
  文法的誤り訂正(GEC)のトレーニングスケジュールにデルタ-log-perplexityを組み込む方法を示す。 得られたデータに基づいて訓練されたモデルは、一般的なGECテストセットで最先端の結果を得る。
  論文  参考訳（メタデータ） (2020-08-07T03:30:14Z)

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。