論文の概要: Localising Shortcut Learning in Pixel Space via Ordinal Scoring Correlations for Attribution Representations (OSCAR)

• arxiv url: http://arxiv.org/abs/2512.18888v1
• Date: Sun, 21 Dec 2025 21:06:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-23 18:54:32.543412
• Title: Localising Shortcut Learning in Pixel Space via Ordinal Scoring Correlations for Attribution Representations (OSCAR)
• Title（参考訳）: 帰属表現(OSCAR)の正規スコーリング相関による画素空間におけるショートカット学習のローカライズ
• Authors: Akshit Achara, Peter Triantafillou, Esther Puyol-Antón, Alexander Hammers, Andrew P. King,
• Abstract要約: 我々は、ショートカット学習の定量化とショートカット機能のローカライズのためのモデルに依存しないフレームワークであるOSCARを紹介する。 OSCARは、画像レベルのタスク属性マップを、画像領域のデータセットレベルのランクプロファイルに変換する。 以上の結果から, 種子, 分枝間の相関関係は, (i) 種子, 分枝間で安定であり, (ii) 訓練データ中のショートカット特徴とアウトプットラベルの関連度に敏感であり, (iii) 局所化と拡散ショートカット特徴を区別できることが示唆された。
• 参考スコア（独自算出の注目度）: 43.49819565015961
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep neural networks often exploit shortcuts. These are spurious cues which are associated with output labels in the training data but are unrelated to task semantics. When the shortcut features are associated with sensitive attributes, shortcut learning can lead to biased model performance. Existing methods for localising and understanding shortcut learning are mostly based upon qualitative, image-level inspection and assume cues are human-visible, limiting their use in domains such as medical imaging. We introduce OSCAR (Ordinal Scoring Correlations for Attribution Representations), a model-agnostic framework for quantifying shortcut learning and localising shortcut features. OSCAR converts image-level task attribution maps into dataset-level rank profiles of image regions and compares them across three models: a balanced baseline model (BA), a test model (TS), and a sensitive attribute predictor (SA). By computing pairwise, partial, and deviation-based correlations on these rank profiles, we produce a set of quantitative metrics that characterise the degree of shortcut reliance for TS, together with a ranking of image-level regions that contribute most to it. Experiments on CelebA, CheXpert, and ADNI show that our correlations are (i) stable across seeds and partitions, (ii) sensitive to the level of association between shortcut features and output labels in the training data, and (iii) able to distinguish localised from diffuse shortcut features. As an illustration of the utility of our method, we show how worst-group performance disparities can be reduced using a simple test-time attenuation approach based on the identified shortcut regions. OSCAR provides a lightweight, pixel-space audit that yields statistical decision rules and spatial maps, enabling users to test, localise, and mitigate shortcut reliance. The code is available at https://github.com/acharaakshit/oscar
• Abstract（参考訳）: ディープニューラルネットワークは、しばしばショートカットを利用する。 これらはトレーニングデータの出力ラベルに関連付けられているが、タスクセマンティクスとは無関係である。 ショートカット機能がセンシティブな属性と関連付けられている場合、ショートカット学習はモデルのパフォーマンスにバイアスを与える可能性がある。 既存のショートカット学習のローカライズと理解の方法は、主に質的、画像レベルの検査と仮定が人間の視認性に基づいており、医用画像などの領域での使用を制限する。 我々は、ショートカット学習の定量化とショートカット特徴のローカライズのためのモデルに依存しないフレームワークであるOSCAR(Ordinal Scoring correlations for Attribution Representations)を紹介する。 OSCARは、画像レベルのタスク属性マップをイメージ領域のデータセットレベルのランクプロファイルに変換し、バランスベースラインモデル(BA)、テストモデル(TS)、属性予測器(SA)の3つのモデルで比較する。 これらのランクプロファイルのペア、部分、偏差に基づく相関を計算することにより、TSのショートカット依存度を特徴付ける定量的な指標と、それに最も寄与する画像レベル領域のランキングを作成する。 CelebA、CheXpert、ADNIの実験から、我々の相関関係が示されている。 (i)種子や隔壁をまたいで安定する 二 トレーニングデータにおけるショートカット特徴と出力ラベルの関連度に敏感なこと。 (三)局所化と拡散ショートカットの特徴を区別することができる。 提案手法の有用性の図示として, 同定したショートカット領域に基づく簡易なテスト時間減衰法を用いて, グループ性能格差を低減できることを示す。 OSCARは、統計的決定ルールと空間マップを出力する軽量なピクセル空間監査を提供し、ユーザーはショートカット依存をテスト、ローカライズ、緩和することができる。 コードはhttps://github.com/acharaakshit/oscarで入手できる。

関連論文リスト

• Exposing Image Classifier Shortcuts with Counterfactual Frequency (CoF) Tables [0.0]
  「ショートカット」は、新しいデータへの一般化に失敗するトレーニングデータから簡単に学習できるパターンである。 例えば、馬を認識するための著作権の透かし、ハスキーを認識するための雪の背景、悪性皮膚病変を検出するためのインクマーキングなどである。 我々は、グローバルな洞察にインスタンスベースの説明を集約する新しいアプローチである、対実周波数表を導入する。
  論文  参考訳（メタデータ） (2024-05-24T15:58:02Z)
• Auxiliary Tasks Enhanced Dual-affinity Learning for Weakly Supervised Semantic Segmentation [79.05949524349005]
  AuxSegNet+は、サリエンシマップから豊富な情報を探索する弱教師付き補助学習フレームワークである。 また,サリエンシとセグメンテーションの特徴マップから画素レベルの親和性を学習するためのクロスタスク親和性学習機構を提案する。
  論文  参考訳（メタデータ） (2024-03-02T10:03:21Z)
• Cap2Aug: Caption guided Image to Image data Augmentation [41.53127698828463]
  Cap2Augは、画像キャプションをテキストプロンプトとして使用する画像から画像への拡散モデルに基づくデータ拡張戦略である。 限られた訓練画像からキャプションを生成し,これらのキャプションを用いて画像間安定拡散モデルを用いてトレーニング画像を編集する。 この戦略は、トレーニング画像に似た画像の拡張バージョンを生成するが、サンプル全体にわたって意味的な多様性を提供する。
  論文  参考訳（メタデータ） (2022-12-11T04:37:43Z)
• SCARF: Self-Supervised Contrastive Learning using Random Feature Corruption [72.35532598131176]
  本稿では,特徴のランダムなサブセットを乱してビューを形成するコントラスト学習手法であるSCARFを提案する。 SCARFは既存の戦略を補完し、オートエンコーダのような代替手段より優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-29T08:08:33Z)
• Graph Sampling Based Deep Metric Learning for Generalizable Person Re-Identification [114.56752624945142]
  我々は、最も一般的なランダムサンプリング手法である有名なpkサンプリングは、深層メトリック学習にとって有益で効率的ではないと主張する。 大規模計量学習のためのグラフサンプリング(GS)と呼ばれる効率的なミニバッチサンプリング手法を提案する。
  論文  参考訳（メタデータ） (2021-04-04T06:44:15Z)
• Learning to Focus: Cascaded Feature Matching Network for Few-shot Image Recognition [38.49419948988415]
  ディープネットワークは、多数の画像でトレーニングすることで、カテゴリのオブジェクトを正確に認識することを学ぶことができる。 低ショット画像認識タスク(low-shot image recognition task)として知られるメタラーニングの課題は、1つのカテゴリの認識モデルを学ぶためにアノテーション付き画像しか利用できない場合に発生する。 この問題を解決するため,Cascaded Feature Matching Network (CFMN) と呼ばれる手法を提案する。 EmphminiImageNet と Omniglot の2つの標準データセットを用いた数ショット学習実験により,本手法の有効性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T11:37:28Z)
• Deep Active Learning for Joint Classification & Segmentation with Weak Annotator [22.271760669551817]
  クラスアクティベーションマップ(CAM)のようなCNNの可視化と解釈手法は、一般的に、クラス予測に関連する画像領域を強調するために使用される。 本稿では,画素レベルのアノテーションを段階的に統合する能動的学習フレームワークを提案する。 提案手法は, ランダムなサンプル選択を用いることで, 最先端のCAMやAL手法よりも優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2020-10-10T03:25:54Z)
• Region Comparison Network for Interpretable Few-shot Image Classification [97.97902360117368]
  新しいクラスのモデルをトレーニングするために、ラベル付きサンプルの限られた数だけを効果的に活用するための画像分類が提案されている。 本研究では,領域比較ネットワーク (RCN) と呼ばれる距離学習に基づく手法を提案する。 また,タスクのレベルからカテゴリへの解釈可能性の一般化も提案する。
  論文  参考訳（メタデータ） (2020-09-08T07:29:05Z)

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。