論文の概要: Shortcut to Nowhere: Demystifying Deep Spurious Regression

• arxiv url: http://arxiv.org/abs/2606.01723v1
• Date: Mon, 01 Jun 2026 05:40:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:31.39862
• Title: Shortcut to Nowhere: Demystifying Deep Spurious Regression
• Title（参考訳）: どこかに近づいた: 深遠な抑圧を軽視する
• Authors: Guanrong Xu, Jessica Li, Hao Wang, Yuzhe Yang,
• Abstract要約: 我々はDSR(Deep Spurious Regression)を属性ラベルの共起による回帰データからの学習として定義する。 分類と回帰ショートカットの本質的な違いを動機として,ラベル空間と特徴空間の両方における突発的属性の類似性を活用することを提案する。 我々の研究は、連続予測における突発的相関を研究するためのベンチマークとテクニックのギャップを埋める。
• 参考スコア（独自算出の注目度）: 4.283376582002132
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-world regression often exhibits shortcuts: attributes that are spuriously correlated with continuous targets in training, yet unreliable under deployment shifts; regressing targets using such shortcuts may fail catastrophically at test time. Existing studies on spurious correlations focus primarily on classification, where labels are categorical and groups are naturally defined. However, many real-world tasks require continuous prediction, where hard label boundaries or discrete group-label pairs do not exist. We define Deep Spurious Regression (DSR) as learning from regression data with attribute-label confounding, addressing continuous spurious correlations, and generalizing to all attribute-label combinations at test time. Motivated by the intrinsic difference between classification and regression shortcuts, we propose to exploit the similarity among spurious attributes in both label and feature spaces, thereby accounting for nearby targets and related groups while calibrating both label and learned feature distributions across attributes. Extensive experiments on common real-world DSR datasets that span computer vision, environmental sensing, and large language model (LLM) regression verify the superior performance of our strategies. Our work fills the gap in benchmarks and techniques for studying spurious correlations in continuous prediction.
• Abstract（参考訳）: 実世界の回帰は、しばしばショートカットを示す: トレーニングにおいて継続的な目標と急激な相関があるが、デプロイメントシフト時に信頼性が低い属性。 スプリアス相関に関する既存の研究は、主に分類に焦点をあてており、ラベルは分類的であり、グループは自然に定義されている。 しかし、多くの実世界のタスクは、硬いラベル境界や離散的なグループラベルペアが存在しないような連続的な予測を必要とする。 我々は,Deep Spurious Regression (DSR) を属性ラベルの共起による回帰データから学習し,連続的なスプリアス相関に対処し,テスト時にすべての属性ラベルの組み合わせに一般化するものとして定義する。 分類と回帰ショートカットの本質的な違いを動機として,ラベルと特徴空間の両方における突発的属性の類似性を活かし,属性間の特徴分布を校正しながら,近傍のターゲットや関連グループを考慮に入れることを提案する。 コンピュータビジョン,環境センシング,大規模言語モデル(LLM)レグレッションにまたがる一般的な実世界のDSRデータセットに関する大規模な実験により,我々の戦略の優れた性能が検証された。 我々の研究は、連続予測における突発的相関を研究するためのベンチマークとテクニックのギャップを埋める。

関連論文リスト

• Generative Classifiers Avoid Shortcut Solutions [84.23247217037134]
  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。
  論文  参考訳（メタデータ） (2025-12-31T18:31:46Z)
• Semi-Supervised Regression with Heteroscedastic Pseudo-Labels [50.54050677867914]
  両レベル最適化の観点から,疑似ラベルの影響を動的に調整する不確実性認識型擬似ラベル化フレームワークを提案する。 我々は、様々なベンチマークSSRデータセットにまたがって、我々のアプローチを検証するための理論的洞察と広範な実験を提供する。
  論文  参考訳（メタデータ） (2025-10-17T03:06:23Z)
• Leveraging Group Classification with Descending Soft Labeling for Deep Imbalanced Regression [6.649953811669191]
  ディープ・インバランス・レグレッション(DIR)は、機械学習において興味深いが未探索の課題である。 まず、DIRの目的とベイズ的観点からの分類の関連性を橋渡しする。 具体的には、近隣のラベルのデータを同じグループに集約することにより、順序付きグループ認識学習損失を導入する。 また,データ間の固有類似性を生かした対称な下降型ソフトラベリング手法を提案する。
  論文  参考訳（メタデータ） (2024-12-16T19:54:57Z)
• 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)
• Memory Consistency Guided Divide-and-Conquer Learning for Generalized Category Discovery [56.172872410834664]
  一般カテゴリー発見(GCD)は、半教師付き学習のより現実的で挑戦的な設定に対処することを目的としている。 メモリ一貫性を誘導する分枝・分枝学習フレームワーク(MCDL)を提案する。 本手法は,画像認識の目に見えるクラスと見えないクラスの両方において,最先端のモデルよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-01-24T09:39:45Z)
• ConR: Contrastive Regularizer for Deep Imbalanced Regression [6.5356646210003015]
  ConRは、グローバルおよびローカルなラベル類似性を特徴空間でモデル化する対照的な正規化器である。 その結果,ConRは4つの大規模深層不均衡回帰ベンチマークにおける最先端手法の性能を著しく向上させることを示した。
  論文  参考訳（メタデータ） (2023-09-13T00:30:32Z)
• Delving into Deep Imbalanced Regression [41.90687097747504]
  我々は,不均衡回帰(dir)を,連続目標を持つ不均衡データからの学習として定義する。 分類空間と連続ラベル空間の差を動機として,ラベルと特徴の分布平滑化を提案する。 我々の研究は、実際の不均衡回帰問題に対するベンチマークとテクニックのギャップを埋める。
  論文  参考訳（メタデータ） (2021-02-18T18:56:03Z)
• ORDisCo: Effective and Efficient Usage of Incremental Unlabeled Data for Semi-supervised Continual Learning [52.831894583501395]
  連続学習は、入力されたデータが完全にラベル付けされていると仮定し、実際のアプリケーションでは適用できないかもしれない。 我々は、条件付き生成逆数ネットワーク(GAN)を用いた分類器を相互に学習するために、識別器整合(ORDisCo)を用いたディープオンライン再生を提案する。 ORDisCo が SSCL の様々な半教師付き学習ベンチマークデータセットで大幅なパフォーマンス向上を達成していることを示します。
  論文  参考訳（メタデータ） (2021-01-02T09:04:14Z)
• Joint Visual and Temporal Consistency for Unsupervised Domain Adaptive Person Re-Identification [64.37745443119942]
  本稿では,局所的なワンホット分類とグローバルなマルチクラス分類を組み合わせることで,視覚的・時間的整合性を両立させる。 3つの大規模ReIDデータセットの実験結果は、教師なしと教師なしの両方のドメイン適応型ReIDタスクにおいて提案手法の優位性を示す。
  論文  参考訳（メタデータ） (2020-07-21T14:31:27Z)

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。