論文の概要: Optimizing Class Distributions for Bias-Aware Multi-Class Learning

• arxiv url: http://arxiv.org/abs/2509.11588v1
• Date: Mon, 15 Sep 2025 05:13:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:23.15472
• Title: Optimizing Class Distributions for Bias-Aware Multi-Class Learning
• Title（参考訳）: バイアスを考慮したマルチクラス学習のためのクラス分布最適化
• Authors: Mirco Felske, Stefan Stiene,
• Abstract要約: BiCDOは、マルチクラス画像分類のための最適化されたクラス分布を特定する。 最小限のコード変更で既存のトレーニングパイプラインに組み込むことができる。 CIFAR-10およびiist21データセット上で,EfficientNet,ResNet,ConvNeXtを用いてBiCDOを検証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose BiCDO (Bias-Controlled Class Distribution Optimizer), an iterative, data-centric framework that identifies Pareto optimized class distributions for multi-class image classification. BiCDO enables performance prioritization for specific classes, which is useful in safety-critical scenarios (e.g. prioritizing 'Human' over 'Dog'). Unlike uniform distributions, BiCDO determines the optimal number of images per class to enhance reliability and minimize bias and variance in the objective function. BiCDO can be incorporated into existing training pipelines with minimal code changes and supports any labelled multi-class dataset. We have validated BiCDO using EfficientNet, ResNet and ConvNeXt on CIFAR-10 and iNaturalist21 datasets, demonstrating improved, balanced model performance through optimized data distribution.
• Abstract（参考訳）: マルチクラス画像分類のためのPareto最適化されたクラス分布を識別する反復型データ中心フレームワークであるBiCDO(Bias-Controlled Class Distribution Optimizer)を提案する。 BiCDOは、特定のクラスのパフォーマンス優先順位付けを可能にする。これは、安全クリティカルなシナリオ(例えば 'Dog' に対して 'Human' を優先順位付けするなど)で有用である。 均一分布とは異なり、BiCDOはクラス毎に最適な画像数を決定し、信頼性を高め、目的関数のバイアスと分散を最小化する。 BiCDOは、最小限のコード変更で既存のトレーニングパイプラインに組み込むことができ、ラベル付きマルチクラスのデータセットをサポートする。 我々は、CIFAR-10およびiNaturalist21データセット上で、EfficientNet、ResNet、ConvNeXtを使用してBiCDOを検証する。

関連論文リスト

• Aligning Distributionally Robust Optimization with Practical Deep Learning Needs [70.87757502315293]
  従来のLearning (DL)メソッドはすべてのサンプルを平等に扱うが、DROと現在のDLプラクティスの間には大きなギャップがある。 本稿では,重み付けグループを扱える改良DRO目標に対する適応アルゴリズムを導入することにより,このギャップを埋めることを目的とする。
  論文  参考訳（メタデータ） (2025-08-22T18:17:44Z)
• DELT: A Simple Diversity-driven EarlyLate Training for Dataset Distillation [23.02066055996762]
  本稿では,バッチ・ツー・グロバルマッチングにおける画像の多様性を高めるため,多様性駆動型早期学習(DELT)方式を提案する。 我々のアプローチは概念的には単純だが有効であり、事前に定義されたIPCサンプルを小さなサブタスクに分割し、局所的な最適化を用いる。 我々のアプローチは、異なるデータセットとIPC(クラスごとのイメージ)で平均2$sim$5%の先行技術よりも優れています。
  論文  参考訳（メタデータ） (2024-11-29T18:59:46Z)
• On the Trade-off of Intra-/Inter-class Diversity for Supervised Pre-training [72.8087629914444]
  教師付き事前学習データセットのクラス内多様性(クラス毎のサンプル数)とクラス間多様性(クラス数)とのトレードオフの影響について検討した。 トレーニング前のデータセットのサイズが固定された場合、最高のダウンストリームのパフォーマンスは、クラス内/クラス間の多様性のバランスがとれる。
  論文  参考訳（メタデータ） (2023-05-20T16:23:50Z)
• Latent Distribution Adjusting for Face Anti-Spoofing [29.204168516602568]
  フェース・アンチ・スプーフィング(FAS)モデルの堅牢性を改善するため,LDA(Latent Distribution Adjusting)と呼ばれる統一フレームワークを提案する。 クラス内コンパクト性とクラス間不一致性を高めるため,プロトタイプ学習のための分布制約を提供するためのマージンベース損失を提案する。 筆者らのフレームワークは,1)クラス内コンパクトおよびクラス間分離性の両方を最終表現空間とし,2)複数の標準FASベンチマークにおける最先端手法より優れる。
  論文  参考訳（メタデータ） (2023-05-16T08:43:14Z)
• Deep Negative Correlation Classification [82.45045814842595]
  既存のディープアンサンブル手法は、多くの異なるモデルをナビゲートし、予測を集約する。 深部負相関分類(DNCC)を提案する。 DNCCは、個々の推定器が正確かつ負の相関を持つ深い分類アンサンブルを生成する。
  論文  参考訳（メタデータ） (2022-12-14T07:35:20Z)
• Powering Finetuning in Few-shot Learning: Domain-Agnostic Feature Adaptation with Rectified Class Prototypes [32.622613524622075]
  ファインタニングは、新しいクラスの特徴分布におけるバイアスを減らすことに重点を置いている。 DCMとSSで微調整を行うことで、メタデータセットの最先端結果が得られる。
  論文  参考訳（メタデータ） (2022-04-07T21:29:12Z)
• Improving Calibration for Long-Tailed Recognition [68.32848696795519]
  このようなシナリオにおけるキャリブレーションとパフォーマンスを改善する2つの方法を提案します。 異なるサンプルによるデータセットバイアスに対して,シフトバッチ正規化を提案する。 提案手法は,複数の長尾認識ベンチマークデータセットに新しいレコードをセットする。
  論文  参考訳（メタデータ） (2021-04-01T13:55:21Z)
• Generalized Zero-Shot Learning Via Over-Complete Distribution [79.5140590952889]
  そこで本稿では,CVAE (Conditional Variational Autoencoder) を用いたOCD(Over-Complete Distribution) の生成を提案する。 フレームワークの有効性は,Zero-Shot LearningプロトコルとGeneralized Zero-Shot Learningプロトコルの両方を用いて評価する。
  論文  参考訳（メタデータ） (2020-04-01T19:05:28Z)

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。