論文の概要: Generative Classifiers Avoid Shortcut Solutions

• arxiv url: http://arxiv.org/abs/2512.25034v1
• Date: Wed, 31 Dec 2025 18:31:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-01 23:27:28.743258
• Title: Generative Classifiers Avoid Shortcut Solutions
• Title（参考訳）: 生成的分類器はショートカットソリューションを避ける
• Authors: Alexander C. Li, Ananya Kumar, Deepak Pathak,
• Abstract要約: 分類に対する差別的なアプローチは、しばしば、分配されるが、小さな分布シフトの下で失敗するショートカットを学習する。 生成型分類器は、主にスパイラルな特徴ではなく、コアとスパイラルの両方の全ての特徴をモデル化することでこの問題を回避することができることを示す。 拡散型および自己回帰型生成型分類器は,5つの標準画像およびテキスト分散シフトベンチマークにおいて最先端の性能を実現する。
• 参考スコア（独自算出の注目度）: 84.23247217037134
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Discriminative approaches to classification often learn shortcuts that hold in-distribution but fail even under minor distribution shift. This failure mode stems from an overreliance on features that are spuriously correlated with the label. We show that generative classifiers, which use class-conditional generative models, can avoid this issue by modeling all features, both core and spurious, instead of mainly spurious ones. These generative classifiers are simple to train, avoiding the need for specialized augmentations, strong regularization, extra hyperparameters, or knowledge of the specific spurious correlations to avoid. We find that diffusion-based and autoregressive generative classifiers achieve state-of-the-art performance on five standard image and text distribution shift benchmarks and reduce the impact of spurious correlations in realistic applications, such as medical or satellite datasets. Finally, we carefully analyze a Gaussian toy setting to understand the inductive biases of generative classifiers, as well as the data properties that determine when generative classifiers outperform discriminative ones.
• Abstract（参考訳）: 分類に対する差別的なアプローチは、しばしば、分布が小さくても失敗するショートカットを学習する。 この障害モードは、ラベルと突発的に相関する特徴に対する過度な依存に起因する。 クラス条件生成モデルを用いた生成型分類器は、主にスパイラルなモデルではなく、コアとスパイラルの両方の全ての特徴をモデル化することでこの問題を回避することができることを示す。 これらの生成型分類器は訓練が簡単で、特別な拡張、強い正則化、余分なハイパーパラメータ、あるいは避けるべき特定の急激な相関の知識の必要性を避ける。 拡散型, 自己回帰型生成型分類器は, 5つの標準画像およびテキスト分布シフトベンチマークにおいて最先端の性能を達成し, 医用データや衛星データなどの現実的な応用における突発的相関の影響を低減している。 最後に,生成型分類器の帰納バイアスと,生成型分類器が識別性よりも優れているかどうかを決定するデータ特性を理解するために,ガウスの玩具設定を慎重に分析する。

関連論文リスト

• Studying Classifier(-Free) Guidance From a Classifier-Centric Perspective [100.54185280153753]
  分類器なし誘導と分類器なし誘導の両方が,微分拡散軌道を決定境界から遠ざけることによって条件付き生成を実現することがわかった。 本研究では,フローマッチングをベースとした汎用的な後処理ステップを提案し,事前学習した復調拡散モデルに対する学習分布と実データ分布とのギャップを小さくする。
  論文  参考訳（メタデータ） (2025-03-13T17:59:59Z)
• 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)
• Generative Multi-modal Models are Good Class-Incremental Learners [51.5648732517187]
  クラス増分学習のための新しい生成型マルチモーダルモデル(GMM)フレームワークを提案する。 提案手法は適応生成モデルを用いて画像のラベルを直接生成する。 Few-shot CIL設定では、現在の最先端のすべてのメソッドに対して少なくとも14%精度が向上し、忘れてはならない。
  論文  参考訳（メタデータ） (2024-03-27T09:21:07Z)
• 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)
• Self-supervised GANs with Label Augmentation [43.78253518292111]
  本稿では,ラベルの強化,すなわち,自己教師付き擬似ラベルによるGANラベル(実物または偽物)の増大を図った,新たな自己教師型GANフレームワークを提案する。 提案手法は,生成モデルと表現学習の両面において,競争ベースラインを大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2021-06-16T07:58:00Z)
• Towards Robust Classification Model by Counterfactual and Invariant Data Generation [7.488317734152585]
  純粋さは、一部の特徴がラベルと相関するが因果関係がないときに起こる。 本稿では2つのデータ生成プロセスを提案する。 我々のデータ生成は、スプリアス相関が壊れたときの精度で最先端の手法より優れています。
  論文  参考訳（メタデータ） (2021-06-02T12:48:29Z)
• Understanding Classifier Mistakes with Generative Models [88.20470690631372]
  ディープニューラルネットワークは教師付き学習タスクに有効であるが、脆弱であることが示されている。 本稿では、生成モデルを利用して、分類器が一般化に失敗するインスタンスを特定し、特徴付ける。 我々のアプローチは、トレーニングセットのクラスラベルに依存しないため、半教師付きでトレーニングされたモデルに適用できる。
  論文  参考訳（メタデータ） (2020-10-05T22:13:21Z)
• Classify and Generate: Using Classification Latent Space Representations for Image Generations [17.184760662429834]
  本稿では,操作された教師付き潜在表現を用いて,与えられたクラスに属する新しいサンプルを再構成・生成する識別モデリングフレームワークを提案する。 ReGeneは、既存の条件生成モデルよりも高い分類精度を持ち、FIDの点で競争力がある。
  論文  参考訳（メタデータ） (2020-04-16T09:13:44Z)

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。