論文の概要: Distributionally Robust Set Representation Learning Under Inference-Time Element Corruption

• arxiv url: http://arxiv.org/abs/2605.30089v1
• Date: Thu, 28 May 2026 15:35:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:56.42856
• Title: Distributionally Robust Set Representation Learning Under Inference-Time Element Corruption
• Title（参考訳）: 推定時間要素破壊下でのロバストな集合表現学習
• Authors: Yankai Chen, Hanrong Zhang, Bowei He, Philip S. Yu, Xue, Liu,
• Abstract要約: 本稿では,分布的に堅牢な最適化フレームワークSW-DRSOを提案する。 SW-DRSOは, 全体的な性能を維持しつつ, 汚損に対する堅牢性を効果的に向上することを示す。
• 参考スコア（独自算出の注目度）: 43.32606112443927
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Standard Set Representation Learning methods typically excel on curated data but often overlook the challenge of inference-time element corruption. This refers to scenarios where deployed models encounter element-level degradations, such as outliers or missing components, that may distort set representation and degrade performance. We propose SW-DRSO, a distributionally robust optimization framework tailored for sets. Rather than minimizing loss solely on observed training data, SW-DRSO optimizes a tractable surrogate of the worst-case expected loss over a family of plausible inference-time variations. We introduce a barycentric adversary that approximates the intractable search over corrupted sets by a differentiable training-time optimization over simplex weights. Extensive experiments across four tasks demonstrate that SW-DRSO effectively enhances robustness against corruption while maintaining high overall performance.
• Abstract（参考訳）: 標準セット表現学習法は典型的にはキュレートされたデータに長けているが、しばしば推論時要素の破損という課題を見落としている。 これは、配置されたモデルが、セット表現を歪ませたり、パフォーマンスを低下させる可能性のある、アウトレーヤや欠落したコンポーネントなどの要素レベルの劣化に遭遇するシナリオを指す。 本稿では,分布的に堅牢な最適化フレームワークSW-DRSOを提案する。 SW-DRSOは、観測されたトレーニングデータのみに損失を最小化するのではなく、予測される最悪のケースの損失を、もっともらしい推論時間の変化の族に対してトラクタブルなサロゲートを最適化する。 本稿では, 単純な重みに対する訓練時間最適化により, 劣化した集合に対する難解探索を近似するバリ中心逆元を導入する。 4つのタスクにわたる大規模な実験により、SW-DRSOは、全体的な性能を維持しながら、汚職に対する堅牢性を効果的に向上することを示した。

関連論文リスト

• Modest-Align: Data-Efficient Alignment for Vision-Language Models [67.48633659305592]
  クロスモーダルアライメントモデルは、リソース制約のある環境での運用において、過信と劣化したパフォーマンスに悩まされることが多い。 我々は,ロバスト性と効率性に配慮した軽量アライメントフレームワークであるModest-Alignを提案する。 本手法は,実世界の低リソースシナリオにおけるクロスモーダルアライメントを実現するための,実用的でスケーラブルなソリューションを提供する。
  論文  参考訳（メタデータ） (2025-10-24T16:11:10Z)
• Distributionally Robust Federated Learning with Outlier Resilience [8.69285602685459]
  本研究では, 分散的頑健なフェデレーション学習について, 明確な外部レジリエンスを用いて検討した。 我々は、ロバスト性証明を許容するトラクタブルなラグランジアンペナルティ最適化として問題を再構築する。 この改革に基づいて,分散外乱フェデレーション学習アルゴリズムを提案し,その収束保証を確立する。
  論文  参考訳（メタデータ） (2025-09-29T08:42:12Z)
• Variance-Aware Loss Scheduling for Multimodal Alignment in Low-Data Settings [0.0]
  画像テキストアライメントのための視覚言語モデルのトレーニングは通常、堅牢なパフォーマンスを達成するために大きなデータセットを必要とする。 本稿では,モデルのアライメント予測における統計的変動(不確実性)に基づいて,コントラスト損失の重み付けを動的に調整する分散型損失スケジューリング手法を提案する。
  論文  参考訳（メタデータ） (2025-03-05T05:46:08Z)
• Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
  クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。 我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
  論文  参考訳（メタデータ） (2023-12-27T09:03:43Z)
• DRAUC: An Instance-wise Distributionally Robust AUC Optimization Framework [133.26230331320963]
  ROC曲線のエリア(AUC)は、長い尾の分類のシナリオにおいて広く用いられている指標である。 本研究では,分散ロバストAUC(DRAUC)のインスタンスワイドサロゲート損失を提案し,その上に最適化フレームワークを構築した。
  論文  参考訳（メタデータ） (2023-11-06T12:15:57Z)
• Learning Prompt-Enhanced Context Features for Weakly-Supervised Video Anomaly Detection [37.99031842449251]
  弱い監督下での映像異常検出は重大な課題を呈する。 本稿では,効率的なコンテキストモデリングとセマンティック識別性の向上に焦点をあてた,弱教師付き異常検出フレームワークを提案する。 提案手法は,特定の異常なサブクラスの検出精度を大幅に向上させ,その実用的価値と有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2023-06-26T06:45:16Z)
• Modeling the Q-Diversity in a Min-max Play Game for Robust Optimization [61.39201891894024]
  群分布的ロバスト最適化(群 DRO)は、事前定義された群に対する最悪の損失を最小限にすることができる。 グループDROフレームワークをQ-Diversityを提案して再構築する。 インタラクティブなトレーニングモードによって特徴付けられるQ-Diversityは、アノテーションからグループ識別を緩和し、直接パラメータ化を行う。
  論文  参考訳（メタデータ） (2023-05-20T07:02:27Z)
• Examining and Combating Spurious Features under Distribution Shift [94.31956965507085]
  我々は、最小限の統計量という情報理論の概念を用いて、ロバストで刺激的な表現を定義し、分析する。 入力分布のバイアスしか持たない場合でも、モデルはトレーニングデータから急激な特徴を拾い上げることができることを証明しています。 分析から着想を得た結果,グループDROは,グループ同士の相関関係を直接考慮しない場合に失敗する可能性が示唆された。
  論文  参考訳（メタデータ） (2021-06-14T05:39:09Z)

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。