論文の概要: Shortcut Mitigation via Spurious-Positive Samples

• arxiv url: http://arxiv.org/abs/2605.13340v1
• Date: Wed, 13 May 2026 11:00:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.996942
• Title: Shortcut Mitigation via Spurious-Positive Samples
• Title（参考訳）: Spurious-Positive サンプルによるショートカット緩和
• Authors: Phuong Quynh Le, Jörg Schlötterer, Sari Sadiya, Gemma Roig, Christin Seifert,
• Abstract要約: ショートカット緩和戦略は一般的に、トレーニングデータアノテーション、グループバランスの保留データ、あるいはすべてのグループの存在に依存します。 そこで本研究では,モデルがスプリアス属性に依存している小さなインスタンス群を特定するためのモデル解析手法を提案する。
• 参考スコア（独自算出の注目度）: 15.033754525148126
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Shortcut mitigation strategies commonly rely on training data annotations, group-balanced held-out data or the presence of all groups, i.e., all combinations of (spurious) attributes and classes, in the training data. However, these requirements are rarely met in practice. We instead propose a method for targeted model analysis to identify a small set of instances in which the model relies on spurious attributes. Using that set and following ``this feature should not be used for prediction'' reasoning, we identify highly relevant neurons in an intermediate layer and regularize their impact. This ensures that models learn to depend on informative features rather than being right for the wrong reasons, thereby improving robustness without requiring additional balanced held-out data or annotations.
• Abstract（参考訳）: ショートカット緩和戦略は、訓練データにおける訓練データアノテーション、グループバランスの保留データ、またはすべてのグループの存在、すなわち、訓練データにおけるすべての(純粋な)属性とクラスの組み合わせに依存している。 しかし、これらの要件は実際に満たされることはめったにない。 そこで本研究では,モデルがスプリアス属性に依存しているインスタンスの小さな集合を特定するために,対象モデル解析のための手法を提案する。 この集合を用いて「この特徴は予測の推論に使用すべきではない」と仮定し、中間層における非常に関連性の高いニューロンを特定し、それらの影響を正則化する。 これにより、モデルは誤った理由で正しいというよりも、情報的機能に依存することを学び、それによって、バランスの取れたデータやアノテーションを必要とせず、堅牢性を向上させることができる。

関連論文リスト

• Let Samples Speak: Mitigating Spurious Correlation by Exploiting the Clusterness of Samples [11.727747752958436]
  ディープラーニングモデルは、トレーニング中にクラスラベルと急激な相関関係を持つ機能を学ぶが、予測タスクとは無関係である。 既存の手法は通常、潜在的なスパイラルな属性を注釈付けしたり、経験的な仮定に基づいてスパイラルな特徴をフィルタリングすることでこの問題に対処する。 本稿では,深層学習モデルにおける突発的相関を緩和するデータ指向手法を提案する。
  論文  参考訳（メタデータ） (2025-12-28T10:54:51Z)
• Machine Learning from Explanations [17.28638946021444]
  より小さなデータセット上で信頼性の高い分類モデルをトレーニングするための革新的なアプローチを導入する。 提案手法は,モデル予測精度の向上と,説明に合うように注意を精査する2段階の学習サイクルを中心に展開する。 トレーニングサイクルがより正確で信頼性の高いモデルへの収束を早めることを示す。
  論文  参考訳（メタデータ） (2025-07-07T09:09:52Z)
• ShortcutProbe: Probing Prediction Shortcuts for Learning Robust Models [26.544938760265136]
  ディープラーニングモデルは、必然的にターゲットと非本質的な特徴の間の急激な相関を学習する。 本稿では,グループラベルを必要とせず,新たなポストホックスプリアスバイアス緩和フレームワークを提案する。 我々のフレームワークであるShortcutProbeは、与えられたモデルの潜在空間における予測の非破壊性を反映した予測ショートカットを識別する。
  論文  参考訳（メタデータ） (2025-05-20T04:21:17Z)
• Trained Models Tell Us How to Make Them Robust to Spurious Correlation without Group Annotation [3.894771553698554]
  経験的リスク最小化(ERM)モデルは、ターゲットと高い刺激的な相関を持つ属性に依存する傾向がある。 これにより、これらの属性を欠いた未表現(または'マイナー')グループのパフォーマンスを低下させることができる。 本稿では,環境に基づく検証と損失に基づくサンプリング(EVaLS)を提案する。
  論文  参考訳（メタデータ） (2024-10-07T08:17:44Z)
• Stubborn Lexical Bias in Data and Models [50.79738900885665]
  我々は、データに基づいてトレーニングされたモデルに、データのスプリアスパターンが現れるかどうかを調べるために、新しい統計手法を用いる。 トレーニングデータに*reweight*に最適化アプローチを適用し、数千のスプリアス相関を低減します。 驚くべきことに、この方法ではトレーニングデータの語彙バイアスを低減できますが、トレーニングされたモデルで対応するバイアスの強い証拠がまだ見つかっていません。
  論文  参考訳（メタデータ） (2023-06-03T20:12:27Z)
• Learning to Unlearn: Instance-wise Unlearning for Pre-trained Classifiers [71.70205894168039]
  そこでは、事前訓練されたモデルからインスタンスのセットに関する情報を削除することを目標としています。 本稿では,1)表現レベルでの忘れを克服するために,敵の例を活用すること,2)不必要な情報を伝播するネットワークパラメータをピンポイントする重み付け指標を活用すること,の2つの方法を提案する。
  論文  参考訳（メタデータ） (2023-01-27T07:53:50Z)
• CMW-Net: Learning a Class-Aware Sample Weighting Mapping for Robust Deep Learning [55.733193075728096]
  現代のディープニューラルネットワークは、破損したラベルやクラス不均衡を含むバイアス付きトレーニングデータに容易に適合する。 サンプル再重み付け手法は、このデータバイアス問題を緩和するために一般的に使用されている。 本稿では,データから直接明示的な重み付け方式を適応的に学習できるメタモデルを提案する。
  論文  参考訳（メタデータ） (2022-02-11T13:49:51Z)
• Selecting the suitable resampling strategy for imbalanced data classification regarding dataset properties [62.997667081978825]
  医学、情報検索、サイバーセキュリティ、ソーシャルメディアなどの多くのアプリケーションドメインでは、分類モデルの導入に使用されるデータセットは、各クラスのインスタンスの不平等な分布を持つことが多い。 この状況は不均衡データ分類と呼ばれ、少数民族の例では予測性能が低い。 オーバーサンプリングとアンダーサンプリングの技術は、各クラスの例の数とバランスをとることでこの問題に対処する、よく知られた戦略である。
  論文  参考訳（メタデータ） (2021-12-15T18:56:39Z)

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。