論文の概要: Not All Splits Are Equal: Rethinking Attribute Generalization Across Unrelated Categories

• arxiv url: http://arxiv.org/abs/2509.06998v1
• Date: Thu, 04 Sep 2025 17:52:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-10 14:38:27.012348
• Title: Not All Splits Are Equal: Rethinking Attribute Generalization Across Unrelated Categories
• Title（参考訳）: すべてのスプリットが平等であるとは限らない - 非関連カテゴリ全体の属性一般化を再考する
• Authors: Liviu Nicolae Fircă, Antonio Bărbălau, Dan Oneata, Elena Burceanu,
• Abstract要約: 本研究では,このような条件下での属性予測タスクのロバスト性について,最初の明示的な評価を行う。 トレーニングとテストセットの相関を段階的に低減する,トレイン-テストの分割戦略を導入する。 その結果、トレーニングとテストカテゴリの相関が減少するにつれて、パフォーマンスが急激に低下することが明らかとなった。
• 参考スコア（独自算出の注目度）: 7.048738972394742
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Can models generalize attribute knowledge across semantically and perceptually dissimilar categories? While prior work has addressed attribute prediction within narrow taxonomic or visually similar domains, it remains unclear whether current models can abstract attributes and apply them to conceptually distant categories. This work presents the first explicit evaluation for the robustness of the attribute prediction task under such conditions, testing whether models can correctly infer shared attributes between unrelated object types: e.g., identifying that the attribute "has four legs" is common to both "dogs" and "chairs". To enable this evaluation, we introduce train-test split strategies that progressively reduce correlation between training and test sets, based on: LLM-driven semantic grouping, embedding similarity thresholding, embedding-based clustering, and supercategory-based partitioning using ground-truth labels. Results show a sharp drop in performance as the correlation between training and test categories decreases, indicating strong sensitivity to split design. Among the evaluated methods, clustering yields the most effective trade-off, reducing hidden correlations while preserving learnability. These findings offer new insights into the limitations of current representations and inform future benchmark construction for attribute reasoning.
• Abstract（参考訳）: モデルが属性知識を意味的および知覚的に異なるカテゴリに一般化できるか? 以前の研究は、狭い分類学または視覚的に類似した領域における属性予測に対処してきたが、現在のモデルが属性を抽象化し、概念的に遠いカテゴリに適用できるかどうかは不明である。 このような条件下での属性予測タスクのロバスト性に関する最初の明示的な評価を行い、モデルが無関係なオブジェクトタイプ間の共有属性を正しく推論できるかどうかを検証した。 この評価を実現するために,LLMによるセマンティックグルーピング,類似性しきい値の埋め込み,埋め込みベースクラスタリング,接地構造ラベルを用いたスーパーカテゴリベースパーティショニングという,トレーニングとテストセット間の相関関係を段階的に低減する列車-テスト分割戦略を導入する。 その結果、トレーニングとテストカテゴリの相関が減少するにつれて、性能が急激に低下し、分割設計に対する強い感度が示唆された。 評価手法のうち、クラスタリングは最も効果的なトレードオフをもたらし、学習性を維持しながら隠れた相関を減少させる。 これらの知見は、現在の表現の限界に対する新たな洞察を与え、属性推論のための将来のベンチマーク構築を通知する。

関連論文リスト

• Learning Robust Classifiers with Self-Guided Spurious Correlation Mitigation [26.544938760265136]
  ディープニューラル分類器は、入力のスプリアス属性とターゲットの間のスプリアス相関に頼り、予測を行う。 本稿では,自己誘導型スプリアス相関緩和フレームワークを提案する。 予測行動の違いを識別するために分類器の訓練を行うことで,事前知識を必要とせず,素因関係への依存を軽減できることを示す。
  論文  参考訳（メタデータ） (2024-05-06T17:12:21Z)
• AttrSeg: Open-Vocabulary Semantic Segmentation via Attribute Decomposition-Aggregation [33.25304533086283]
  オープンボキャブラリセマンティックセグメンテーションは、推論時に新しいオブジェクトカテゴリをセグメンテーションする必要がある難しいタスクである。 最近の研究では、この課題に対処するために視覚言語による事前訓練が検討されているが、現実的なシナリオでは非現実的な仮定に悩まされている。 本研究は,新しい概念を理解する上で,人間の認知に触発された新しい属性分解集約フレームワークであるAttrSegを提案する。
  論文  参考訳（メタデータ） (2023-08-31T19:34:09Z)
• Learning Debiased and Disentangled Representations for Semantic Segmentation [52.35766945827972]
  セマンティックセグメンテーションのためのモデルに依存しない訓練手法を提案する。 各トレーニングイテレーションで特定のクラス情報をランダムに除去することにより、クラス間の機能依存を効果的に削減する。 提案手法で訓練したモデルは,複数のセマンティックセグメンテーションベンチマークにおいて強い結果を示す。
  論文  参考訳（メタデータ） (2021-10-31T16:15:09Z)
• Multi-Objective Few-shot Learning for Fair Classification [23.05869193599414]
  本稿では,データ内の二次属性に対する予測クラスの相違を緩和する枠組みを提案する。 提案手法は,データから一次クラスラベルを予測することの主目的を学習することに加えて,クラスタメンバシップに対するクラスラベル分布の差異を最小限に抑えるためにクラスタリングをベースとした多目的関数を学習することを含む。
  論文  参考訳（メタデータ） (2021-10-05T11:28:58Z)
• Contrastive Learning for Fair Representations [50.95604482330149]
  訓練された分類モデルは、意図せずバイアスのある表現や予測につながる可能性がある。 対戦訓練のような既存の分類モデルのデバイアス化手法は、訓練に高価であり、最適化が困難であることが多い。 比較学習を取り入れたバイアス軽減手法を提案し、同じクラスラベルを共有するインスタンスに類似した表現を推奨する。
  論文  参考訳（メタデータ） (2021-09-22T10:47:51Z)
• Intersection Regularization for Extracting Semantic Attributes [72.53481390411173]
  本稿では,ネットワーク抽出した特徴が意味属性のセットと一致するように,教師付き分類の問題を考える。 例えば、鳥類のイメージを種に分類することを学ぶとき、動物学者が鳥類を分類するために使用する特徴の出現を観察したい。 本稿では,複数層パーセプトロン(MLP)と並列決定木を併用した,離散的なトップレベルアクティベーションを持つニューラルネットワークのトレーニングを提案する。
  論文  参考訳（メタデータ） (2021-03-22T14:32:44Z)
• Dynamic Semantic Matching and Aggregation Network for Few-shot Intent Detection [69.2370349274216]
  利用可能な注釈付き発話が不足しているため、インテント検出は困難である。 セマンティック成分はマルチヘッド自己認識によって発話から蒸留される。 本手法はラベル付きインスタンスとラベルなしインスタンスの両方の表現を強化するための総合的なマッチング手段を提供する。
  論文  参考訳（メタデータ） (2020-10-06T05:16:38Z)
• Identifying Spurious Correlations for Robust Text Classification [9.457737910527829]
  そこで本研究では,テキスト分類におけるスプリアスと真の相関を区別する手法を提案する。 我々は、治療効果推定器から得られる特徴を用いて、突発的な相関を「遺伝子」と区別する。 4つのデータセットの実験は、このアプローチを使って特徴の選択を知らせることが、より堅牢な分類につながることを示唆している。
  論文  参考訳（メタデータ） (2020-10-06T03:49:22Z)
• Commonality-Parsing Network across Shape and Appearance for Partially Supervised Instance Segmentation [71.59275788106622]
  そこで本稿では,マスク付分類から新しい分類へ一般化可能な,クラス非依存の共通性について考察する。 本モデルでは,COCOデータセット上のサンプルセグメンテーションにおける部分教師付き設定と少数ショット設定の両方において,最先端の手法を著しく上回っている。
  論文  参考訳（メタデータ） (2020-07-24T07:23:44Z)
• On Irrelevance of Attributes in Flexible Prediction [0.0]
  本稿では,「フレキシブル予測」と呼ばれる漸進的概念形成法により得られた概念階層の特性を解析する。 簡単な属性と組み合わせた属性の選択,個々の属性のスケーリングと分布,およびそれらの相関強度の影響について検討した。
  論文  参考訳（メタデータ） (2020-05-25T08:41:48Z)
• Don't Judge an Object by Its Context: Learning to Overcome Contextual Bias [113.44471186752018]
  既存のモデルは、認識精度を向上させるために、オブジェクトとそのコンテキスト間の共起を利用することが多い。 この研究は、学習した特徴表現の堅牢性を改善するために、そのような文脈バイアスに対処することに焦点を当てている。
  論文  参考訳（メタデータ） (2020-01-09T18:31:55Z)

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。