論文の概要: Understanding Bias in Perceiving Dimensionality Reduction Projections

• arxiv url: http://arxiv.org/abs/2507.20805v1
• Date: Mon, 28 Jul 2025 13:17:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-29 16:23:58.12888
• Title: Understanding Bias in Perceiving Dimensionality Reduction Projections
• Title（参考訳）: 次元減少予測の知覚におけるバイアスの理解
• Authors: Seoyoung Doh, Hyeon Jeon, Sungbok Shin, Ghulam Jilani Quadri, Nam Wook Kim, Jinwook Seo,
• Abstract要約: 構造を忠実に表現する次元削減技術は、信頼できる視覚コミュニケーションと分析に不可欠である。 しかし実際は、プロジェクションの構造的忠実性よりも、美学や視覚的サリエンスといった他のアトラクションに対するプロジェクションを好む。 本研究は、視覚的面白さが、分析のための投影を選択する際の実践者の嗜好に偏っていることを示唆する。
• 参考スコア（独自算出の注目度）: 19.255668811796376
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Selecting the dimensionality reduction technique that faithfully represents the structure is essential for reliable visual communication and analytics. In reality, however, practitioners favor projections for other attractions, such as aesthetics and visual saliency, over the projection's structural faithfulness, a bias we define as visual interestingness. In this research, we conduct a user study that (1) verifies the existence of such bias and (2) explains why the bias exists. Our study suggests that visual interestingness biases practitioners' preferences when selecting projections for analysis, and this bias intensifies with color-encoded labels and shorter exposure time. Based on our findings, we discuss strategies to mitigate bias in perceiving and interpreting DR projections.
• Abstract（参考訳）: この構造を忠実に表現する次元還元技術を選択することは、信頼性の高い視覚コミュニケーションと分析に不可欠である。 しかし実際には、プロジェクションの構造的忠実さ、つまり私たちが視覚的面白さと定義するバイアスよりも、美学や視覚的サリエンシといった他のアトラクションに対するプロジェクションを実践者は好んでいる。 本研究では,(1) バイアスの存在を検証し,(2) バイアスが存在する理由を説明するユーザ研究を行う。 本研究は、視覚的興味度は、分析のための投影を選択する際の実践者の嗜好に偏りがあることを示唆し、この偏見は、色コードラベルと露光時間の短縮によって増大することを示した。 本研究は,DRプロジェクションの知覚・解釈におけるバイアス軽減戦略について考察する。

関連論文リスト

• BiasConnect: Investigating Bias Interactions in Text-to-Image Models [73.76853483463836]
  テキスト・ツー・イメージ・モデルにおけるバイアス相互作用の分析と定量化を目的とした新しいツールであるBiasConnectを紹介する。 我々の手法は、与えられたバイアスが修正されたとき、他のバイアス次元が理想的な分布に向かって、あるいは離れてどのように変化するかを示す経験的推定を提供する。 本稿では,最適なバイアス緩和軸の選択,学習する依存関係の異なるTTIモデルの比較,およびTTIモデルにおける交叉社会的バイアスの増幅を理解するためのBiasConnectの有用性を示す。
  論文  参考訳（メタデータ） (2025-03-12T19:01:41Z)
• Subtle Biases Need Subtler Measures: Dual Metrics for Evaluating Representative and Affinity Bias in Large Language Models [10.73340009530019]
  本研究は,Large Language Models (LLMs) における2つのバイアス,代表バイアスと親和性バイアスに対処する。 我々は,これらのバイアスを測定するために,代表バイアススコア(RBS)と親和性バイアススコア(ABS)の2つの新しい指標を導入する。 我々の分析では、白人、ストレート、男性と関連する身元を選好する著名なLSMにおいて、顕著な偏見が明らかとなった。 親和性バイアスによる各モデルにおける特徴的評価パターンの解明
  論文  参考訳（メタデータ） (2024-05-23T13:35:34Z)
• Towards Debiasing Frame Length Bias in Text-Video Retrieval via Causal Intervention [72.12974259966592]
  トリミングビデオクリップのトレーニングセットとテストセットのフレーム長差による時間偏差について,一意かつ体系的に検討した。 Epic-Kitchens-100, YouCook2, MSR-VTTデータセットについて, 因果脱バイアス法を提案し, 広範な実験およびアブレーション研究を行った。
  論文  参考訳（メタデータ） (2023-09-17T15:58:27Z)
• Discovering and Mitigating Visual Biases through Keyword Explanation [66.71792624377069]
  視覚バイアスをキーワードとして解釈するBias-to-Text(B2T)フレームワークを提案する。 B2Tは、CelebAの性別バイアス、ウォーターバードの背景バイアス、ImageNet-R/Cの分布シフトなど、既知のバイアスを特定することができる。 B2Tは、Dollar StreetやImageNetのような大きなデータセットで、新しいバイアスを明らかにする。
  論文  参考訳（メタデータ） (2023-01-26T13:58:46Z)
• A Prompt Array Keeps the Bias Away: Debiasing Vision-Language Models with Adversarial Learning [55.96577490779591]
  視覚言語モデルは社会的バイアスやステレオタイプを符号化することができる。 これらのマルチモーダル害の測定と緩和には課題がある。 バイアス尺度を調査し,画像テキスト表現にランキング指標を適用した。
  論文  参考訳（メタデータ） (2022-03-22T17:59:04Z)
• Projection-wise Disentangling for Fair and Interpretable Representation Learning: Application to 3D Facial Shape Analysis [4.716274324450199]
  合流バイアスは、特に臨床実践において、機械学習を実践する上で重要な問題である。 複数のバイアスに依存しない表現を学習する問題について考察する。 本稿では,ほぼすべての情報を潜在表現に保持しながらバイアスを軽減することを提案する。
  論文  参考訳（メタデータ） (2021-06-25T16:09:56Z)
• REVISE: A Tool for Measuring and Mitigating Bias in Visual Datasets [64.76453161039973]
  REVISE(Revealing VIsual biaSEs)は、視覚的データセットの調査を支援するツールである。 1)オブジェクトベース,(2)個人ベース,(3)地理ベースという3つの次元に沿った潜在的なバイアスを呈示する。
  論文  参考訳（メタデータ） (2020-04-16T23:54:37Z)

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。