論文の概要: BiasEdit: A Training-Free Bias-Detect-and-Edit Framework for Learning Fair Visual Classifiers

• arxiv url: http://arxiv.org/abs/2605.28450v1
• Date: Wed, 27 May 2026 13:17:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:56.07011
• Title: BiasEdit: A Training-Free Bias-Detect-and-Edit Framework for Learning Fair Visual Classifiers
• Title（参考訳）: BiasEdit: 公正な視覚的分類を学習するためのトレーニング不要なBias-Detect-and-Editフレームワーク
• Authors: Jungwook Seo, Yoonsik Park, Changmin Lee, Sungyong Baik,
• Abstract要約: このフレームワークは、元のデータセットからバイアス属性を自動的に検出し、それらを編集してバイアス付きデータセットを構築する。 本手法は手動のアノテーションを使わずに動作し,市販の視覚誘発編集モデルを活用する。
• 参考スコア（独自算出の注目度）: 13.838654196169612
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Visual data from the Web power image classifiers, which often underpin many web services, such as recommendation and content moderation. However, the raw Web data often contain spurious correlations and social biases, and neural networks are known for their tendency to learn biases present in data. This can reinforce unfairness in web services and the web data, leading to a vicious cycle. In the context of image classification, networks learn bias attributes for a specific class when a majority of images contain the same attribute only for a given class. Hence, training a fair and debiased classifier from a biased dataset demands handling an imbalanced problem between a majority of images with bias attributes (bias-aligned samples) and a minority without (bias-conflict samples). In this work, we introduce BiasEdit, a modular framework that automatically detects bias attributes from the original dataset and edits them to construct a debiased dataset. Specifically, BiasEdit first detects unknown bias attributes via statistical dependence and mutual information analysis of visual-linguistic representations, and then explicitly edits those attributes using text-guided image editing to generate realistic bias-conflict samples. Unlike prior works that assume known bias attributes or relies on synthetic mixing, our method operates without manual annotations and can leverage off-the-shelf vision-language and editing models. BiasEdit addresses a fundamental challenge in Web-sourced visual AI, mitigating dataset-induced bias and achieving state-of-the-art debiasing performance even when training data are fully biased.
• Abstract（参考訳）: Webパワーイメージ分類器からのビジュアルデータは、レコメンデーションやコンテンツモデレーションなど、多くのWebサービスを支えることが多い。 しかし、生のWebデータは、しばしば急激な相関関係と社会的偏見を含んでおり、ニューラルネットワークは、データに存在する偏見を学習する傾向があることで知られている。 これにより、WebサービスとWebデータの不正性が強化され、悪循環につながる可能性がある。 画像分類の文脈では、画像の大多数が与えられたクラスに対してのみ同じ属性を含む場合、ネットワークは特定のクラスのバイアス属性を学習する。 したがって、偏りのあるデータセットから公平で偏りのない分類器をトレーニングするには、バイアス特性を持つほとんどの画像(バイアス整合サンプル)と、(バイアス整合サンプル)を持たない少数画像(バイアス整合サンプル)との間の不均衡な問題を扱う必要がある。 この作業では、オリジナルのデータセットからバイアス属性を自動的に検出し、それらを編集してバイアス付きデータセットを構築するモジュールフレームワークであるBiasEditを紹介します。 具体的には、BiasEditはまず、統計的依存と視覚言語表現の相互情報分析を通じて未知のバイアス属性を検出し、テキスト誘導画像編集を用いてそれらの属性を明示的に編集し、現実的なバイアス強調サンプルを生成する。 既知のバイアス特性や合成混合に依存する以前の研究とは異なり、本手法は手動のアノテーションなしで動作し、市販の視覚言語および編集モデルを活用することができる。 BiasEditは、WebソースのビジュアルAIにおける根本的な課題に対処し、データセットによるバイアスを緩和し、トレーニングデータが完全にバイアスを受けた場合でも、最先端のデバイアスパフォーマンスを達成する。

関連論文リスト

• BLADE: Bias-Linked Adaptive DEbiasing [2.7352017408152083]
  BLADEは、バイアスやバイアスを伴うサンプルの事前知識を必要としない、生成的デバイアスのフレームワークである。 我々は,複数のベンチマークデータセット上でBLADEを評価し,最先端の手法を著しく上回ることを示す。
  論文  参考訳（メタデータ） (2025-10-05T12:28:54Z)
• Dataset Bias Mitigation in Multiple-Choice Visual Question Answering and Beyond [93.96982273042296]
  視覚言語(VL)理解タスクは、複数の質問を通じて複雑な視覚シーンのモデルによる理解を評価する。 我々は、モデルが様々なVLタスクを適切に理解することなく正しく解決するために、ショートカットとして活用できる2つのデータセットバイアスを特定した。 本稿では,ADS(Adversarial Data Synthesis)を用いて,合成学習データと偏り評価データを生成する。 次に、サンプル内微分に着目して、合成したトレーニングデータ、特に対物データを利用するモデルを支援するために、サンプル内対物訓練(ICT)を導入する。
  論文  参考訳（メタデータ） (2023-10-23T08:09:42Z)
• Balancing the Picture: Debiasing Vision-Language Datasets with Synthetic Contrast Sets [52.77024349608834]
  視覚言語モデルは、インターネットから未計算の画像テキストペアの事前トレーニング中に学んだ社会的バイアスを永続し、増幅することができる。 COCO Captionsは、背景コンテキストとその場にいる人々の性別間のバイアスを評価するために最も一般的に使用されるデータセットである。 本研究では,COCOデータセットを男女バランスの取れたコントラストセットで拡張する新しいデータセットデバイアスパイプラインを提案する。
  論文  参考訳（メタデータ） (2023-05-24T17:59:18Z)
• Echoes: Unsupervised Debiasing via Pseudo-bias Labeling in an Echo Chamber [17.034228910493056]
  本稿では,既存のバイアスモデルがトレーニングデータにおけるバイアス強調サンプルに過度に適合していることを明らかにする実験的検討を行った。 本研究では、バイアスモデルとターゲットモデルを異なる戦略で訓練するEchoesという、単純で効果的な手法を提案する。 提案手法は,既存の合成データセットと実世界のデータセットのベースラインと比較して,優れたデバイアス化結果が得られる。
  論文  参考訳（メタデータ） (2023-05-06T13:13:18Z)
• Debiasing Vision-Language Models via Biased Prompts [79.04467131711775]
  本稿では,テキスト埋め込みにおけるバイアスのある方向を投影することで,視覚言語基盤モデルを疎外する一般的な手法を提案する。 偏平投影行列を組み込んだテキストのみをデバイアスすることで、ロバストな分類器と公正な生成モデルが得られることを示す。
  論文  参考訳（メタデータ） (2023-01-31T20:09:33Z)
• General Greedy De-bias Learning [163.65789778416172]
  本稿では,関数空間における勾配降下のような偏りのあるモデルとベースモデルを優雅に訓練する一般グリーディ・デバイアス学習フレームワーク(GGD)を提案する。 GGDは、事前知識を持つタスク固有バイアスモデルと、事前知識を持たない自己アンサンブルバイアスモデルの両方の設定の下で、より堅牢なベースモデルを学ぶことができる。
  論文  参考訳（メタデータ） (2021-12-20T14:47:32Z)
• BiaSwap: Removing dataset bias with bias-tailored swapping augmentation [20.149645246997668]
  ディープニューラルネットワークは、データセット固有のスプリットな相関に基づいて決定することが多く、偏りのないデータ分布を一般化することができない。 本稿では,バイアスタイプの監督を必要とせず,非バイアス表現を学習するための,バイアス調整強化に基づく新しいアプローチBiaSwapを提案する。
  論文  参考訳（メタデータ） (2021-08-23T08:35:26Z)
• Learning Debiased Representation via Disentangled Feature Augmentation [19.348340314001756]
  本稿では, 様々なバイアスを伴うサンプルを用いたトレーニングが, 脱バイアスに不可欠であることを示す実験的検討を行った。 本稿では, 多様なバイアス分散サンプルを合成するために, 特徴レベルのデータ拡張手法を提案する。
  論文  参考訳（メタデータ） (2021-07-03T08:03:25Z)

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。