論文の概要: Stylized Meta-Album: Group-bias injection with style transfer to study robustness against distribution shifts

• arxiv url: http://arxiv.org/abs/2512.09773v1
• Date: Wed, 10 Dec 2025 15:55:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-11 15:14:53.58039
• Title: Stylized Meta-Album: Group-bias injection with style transfer to study robustness against distribution shifts
• Title（参考訳）: Stylized Meta-Album: Group-bias Injection with style transfer to study robustness against Distribution shifts (特集:バイオサイバネティックスとバイオサイバネティックス)
• Authors: Romain Mussard, Aurélien Gauffre, Ihsan Ullah, Thanh Gia Hieu Khuong, Massih-Reza Amini, Isabelle Guyon, Lisheng Sun-Hosoya,
• Abstract要約: 画像分類メタデータセットであるStylized Meta-Album(SMA)を紹介する。 SMAは、多種多様な4800のグループセットを提供し、様々な主題(対象物、植物、動物、人間の行動、テクスチャ)と複数のスタイルを組み合わせる。 SMAはグループやクラスに対する柔軟な制御を可能にし、さまざまなベンチマークシナリオを反映するデータセットの設定を可能にします。
• 参考スコア（独自算出の注目度）: 8.203767260570386
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce Stylized Meta-Album (SMA), a new image classification meta-dataset comprising 24 datasets (12 content datasets, and 12 stylized datasets), designed to advance studies on out-of-distribution (OOD) generalization and related topics. Created using style transfer techniques from 12 subject classification datasets, SMA provides a diverse and extensive set of 4800 groups, combining various subjects (objects, plants, animals, human actions, textures) with multiple styles. SMA enables flexible control over groups and classes, allowing us to configure datasets to reflect diverse benchmark scenarios. While ideally, data collection would capture extensive group diversity, practical constraints often make this infeasible. SMA addresses this by enabling large and configurable group structures through flexible control over styles, subject classes, and domains-allowing datasets to reflect a wide range of real-world benchmark scenarios. This design not only expands group and class diversity, but also opens new methodological directions for evaluating model performance across diverse group and domain configurations-including scenarios with many minority groups, varying group imbalance, and complex domain shifts-and for studying fairness, robustness, and adaptation under a broader range of realistic conditions. To demonstrate SMA's effectiveness, we implemented two benchmarks: (1) a novel OOD generalization and group fairness benchmark leveraging SMA's domain, class, and group diversity to evaluate existing benchmarks. Our findings reveal that while simple balancing and algorithms utilizing group information remain competitive as claimed in previous benchmarks, increasing group diversity significantly impacts fairness, altering the superiority and relative rankings of algorithms. We also propose to use \textit{Top-M worst group accuracy} as a new hyperparameter tuning metric, demonstrating broader fairness during optimization and delivering better final worst-group accuracy for larger group diversity. (2) An unsupervised domain adaptation (UDA) benchmark utilizing SMA's group diversity to evaluate UDA algorithms across more scenarios, offering a more comprehensive benchmark with lower error bars (reduced by 73\% and 28\% in closed-set setting and UniDA setting, respectively) compared to existing efforts. These use cases highlight SMA's potential to significantly impact the outcomes of conventional benchmarks.
• Abstract（参考訳）: SMA(Stylized Meta-Album)は24のデータセット(12のコンテンツデータセット、12のスタイリングデータセット)からなる新しい画像分類メタデータセットである。 SMAは12の主題分類データセットからスタイル転送技術を用いて作成され、多種多様な4800のグループ(対象、植物、動物、人間の行動、テクスチャ)と複数のスタイルを組み合わせる。 SMAはグループやクラスに対する柔軟な制御を可能にし、さまざまなベンチマークシナリオを反映するデータセットの設定を可能にします。 理想的には、データ収集は広範なグループの多様性をとらえるが、実践的な制約はしばしばこれを実現不可能にする。 SMAは、スタイル、主題クラス、ドメイン許容データセットを柔軟に制御することで、大規模で構成可能なグループ構造を可能にし、幅広い実世界のベンチマークシナリオを反映することで、この問題に対処する。 この設計は、グループやクラスの多様性を拡大するだけでなく、様々なグループやドメイン構成におけるモデルパフォーマンスを評価するための新たな方法論的方向性も開き、多くの少数派グループによるシナリオ、異なるグループ不均衡、複雑なドメインシフト、そしてより広い範囲の現実的な条件下での公正性、堅牢性、適応について研究する。 SMAの有効性を示すために,1)SMAのドメイン,クラス,グループの多様性を利用した新しいOOD一般化とグループフェアネスベンチマークを,既存のベンチマークを評価するために実装した。 以上の結果から,グループ情報の簡易なバランスとアルゴリズムは,従来のベンチマークと同様の競争力を維持しつつも,グループの多様性の増大は,アルゴリズムの優越性と相対的なランクに大きく影響することがわかった。 また,<textit{Top-M worst group accuracy} を新しいハイパーパラメータチューニング指標として用いることを提案する。 2) 教師なし領域適応(UDA)ベンチマークは,SMAのグループの多様性を利用して,複数のシナリオにわたるUDAアルゴリズムの評価を行い,従来よりも低いエラーバー(クローズドセット設定では73\%,UniDA設定では28\%)でより包括的なベンチマークを提供する。 これらのユースケースは、従来のベンチマークの結果に大きな影響を与えるSMAの可能性を示している。

関連論文リスト

• Prompt Tuning Vision Language Models with Margin Regularizer for Few-Shot Learning under Distribution Shifts [13.21626568246313]
  視覚言語基礎モデルが、分布やクラスが全く異なるデータセットに適応できるかどうかを解析する。 本稿では,少数のサンプルに対して,このような大規模VLMを直接適用するための新しいプロンプトチューニング手法であるPromptMarginを提案する。 PromptMarginは、このタスクのテキストと視覚的なプロンプトを効果的に調整し、2つのメインモジュールを持っている。
  論文  参考訳（メタデータ） (2025-05-21T13:26:56Z)
• The Pitfalls of Growing Group Complexity: LLMs and Social Choice-Based Aggregation for Group Recommendations [2.6470894980840525]
  Group Recommender Systems (GRS) は、社会的選択に基づくアグリゲーション戦略を使って単一のレコメンデーションを導いた。 ゼロショット学習に基づいて,言語モデルがこれらの戦略を正しく実行できる条件について検討する。 100以上のレーティングを考慮すると、パフォーマンスが低下し始めています。 今後の研究は、GRS評価の要素としてグループ複雑性を含むべきであると結論付けている。
  論文  参考訳（メタデータ） (2025-05-08T07:43:01Z)
• GroupFace: Imbalanced Age Estimation Based on Multi-hop Attention Graph Convolutional Network and Group-aware Margin Optimization [13.197551708300345]
  マルチホップアテンショングラフ畳み込みネットワークとグループ認識マージン戦略を統合した,革新的な協調学習フレームワークを提案する。 本アーキテクチャは,複数の年齢推定ベンチマークデータセットにおいて優れた性能を発揮する。
  論文  参考訳（メタデータ） (2024-12-16T05:08:15Z)
• UniTTA: Unified Benchmark and Versatile Framework Towards Realistic Test-Time Adaptation [66.05528698010697]
  Test-Time Adaptationは、テスト中にトレーニング済みのモデルを対象のドメインに適応させることを目的としている。 研究者は様々な挑戦シナリオを特定し、これらの課題に対処するための様々な方法を開発した。 本稿では,包括的かつ広く適用可能な統一テスト時間適応ベンチマークを提案する。
  論文  参考訳（メタデータ） (2024-07-29T15:04:53Z)
• Towards More Practical Group Activity Detection: A New Benchmark and Model [61.39427407758131]
  グループアクティビティ検出(グループアクティビティ検出、英: Group Activity Detection、GAD)は、ビデオにおいて、各グループのメンバを特定し、同時にグループのアクティビティを分類するタスクである。 私たちはCaf'eと呼ばれる新しいデータセットを提示し、より実用的なシナリオとメトリクスを提示します。 また、未知数のグループと潜在グループメンバーを効率的に効率的に扱う新しいGADモデルを提案する。
  論文  参考訳（メタデータ） (2023-12-05T16:48:17Z)
• Addressing Missing Sources with Adversarial Support-Matching [8.53946780558779]
  そこで本研究では,データ内の2段階階層の2段階に,データの欠如が関係しているシナリオについて検討する。 アルゴリズム的公正性から保護された群の概念に触発され、この第2階層によって彫られた分割を「部分群」と呼ぶ。 私たちは、サブグループに不変な表現を学ぶために、"deployment set"と呼ばれる追加で多様だがラベルなしのデータセットを使用します。
  論文  参考訳（メタデータ） (2022-03-24T16:19:19Z)
• Novel Class Discovery in Semantic Segmentation [104.30729847367104]
  セマンティックにおける新しいクラス発見(NCDSS)について紹介する。 ラベル付き非結合クラスの集合から事前の知識を与えられた新しいクラスを含むラベル付きイメージのセグメンテーションを目的としている。 NCDSSでは、オブジェクトと背景を区別し、画像内の複数のクラスの存在を処理する必要があります。 本稿では,エントロピーに基づく不確実性モデリングと自己学習(EUMS)フレームワークを提案し,ノイズの多い擬似ラベルを克服する。
  論文  参考訳（メタデータ） (2021-12-03T13:31:59Z)
• Focus on the Common Good: Group Distributional Robustness Follows [47.62596240492509]
  本稿では,多様なグループ間で共有される特徴の学習を明示的に促進する,新しい,シンプルなアルゴリズムを提案する。 グループDROは、最低の正規化損失を持つグループに焦点を当て、代わりに、他のグループでもより良いパフォーマンスを実現するグループに焦点を当てるが、共有/共通機能を学ぶことにつながる可能性がある。
  論文  参考訳（メタデータ） (2021-10-06T09:47:41Z)
• Semi-Supervised Domain Generalization with Stochastic StyleMatch [90.98288822165482]
  実世界のアプリケーションでは、アノテーションのコストが高いため、各ソースドメインから利用可能なラベルはわずかです。 本研究では,より現実的で実践的な半教師付き領域一般化について検討する。 提案手法であるStyleMatchは,擬似ラベルに基づく最先端の半教師付き学習手法であるFixMatchに着想を得たものである。
  論文  参考訳（メタデータ） (2021-06-01T16:00:08Z)
• Overcoming Data Sparsity in Group Recommendation [52.00998276970403]
  グループレコメンデータシステムは、ユーザの個人的な好みだけでなく、嗜好集約戦略も正確に学習できなければならない。 本稿では,BGEM(Bipartite Graphding Model)とGCN(Graph Convolutional Networks)を基本構造として,グループとユーザ表現を統一的に学習する。
  論文  参考訳（メタデータ） (2020-10-02T07:11:19Z)

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。