論文の概要: Style or Content? Evaluating Style Classifiers with Controlled Content Overlap

• arxiv url: http://arxiv.org/abs/2606.07103v1
• Date: Fri, 05 Jun 2026 09:53:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.679738
• Title: Style or Content? Evaluating Style Classifiers with Controlled Content Overlap
• Title（参考訳）: スタイルかコンテンツか?制御されたコンテンツオーバーラップによるスタイル分類器の評価
• Authors: Zhuo Liu, Haozheng Du, Xiangxiang Xu, Hangfeng He,
• Abstract要約: 本稿では, 並列な聖書翻訳を基盤としたコンテンツ重複設定の制御問題について検討する。 重なりパラメータ$$を、コンテンツアイデンティティとスタイルラベル間の相互情報の正規化残差として定義する。 コンテンツキューが削除された場合,低オーバーラップモデルは劣化し,高オーバーラップモデルはより堅牢に転送されることを示す。
• 参考スコア（独自算出の注目度）: 16.209371959740952
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Style classifiers can use content cues that correlate with style labels in naturally collected data, yet we lack a systematic way to measure this reliance. We study this problem with a controlled content overlap setup built on parallel Bible translations. Specifically, we define the overlap parameter $α$ as the normalized residual of mutual information between content identity and style label, so that it measures how much content is shared across style classes: from no shared content ($α=0$) to fully shared content ($α=1$). Cross-overlap evaluation of RoBERTa-based classifiers shows that low-overlap models degrade when content cues are removed, while high-overlap models transfer more robustly. A cross-style content retrieval probe further shows that content becomes less recoverable as $α$ increases, with training dynamics showing this removal occurs gradually. Together, these results suggest that controlled overlap provides a simple diagnostic for separating style learning from content shortcuts.
• Abstract（参考訳）: スタイル分類器は、自然に収集されたデータの中でスタイルラベルと相関するコンテントキューを使用することができるが、この依存度を測定する体系的な方法がない。 並列な聖書翻訳をベースとしたコンテントオーバーラップ構成を用いて,この問題を考察する。 具体的には、オーバーラップパラメータ$α$を、コンテンツアイデンティティとスタイルラベル間の相互情報の正規化残差として定義し、共有コンテンツ(α=0$)から完全共有コンテンツ(α=1$)まで、スタイルクラス間でコンテンツがどの程度共有されているかを測定する。 RoBERTaを用いた分類器のクロスオーバーラップ評価では、コンテンツキューが削除された場合、低オーバーラップモデルは劣化し、高オーバーラップモデルはより堅牢に転送される。 さらに、クロススタイルコンテンツ検索プローブは、$α$が増加するにつれてコンテンツが回復しにくくなり、この除去が徐々に行われるトレーニングダイナミクスが現れることを示している。 これらの結果から,制御重複は,コンテンツショートカットからスタイル学習を分離するための簡単な診断手段となることが示唆された。

関連論文リスト

• Mind the Style Gap: Meta-Evaluation of Style and Attribute Transfer Metrics [38.04931225191056]
  本稿では,スタイル評価と属性伝達のためのメトリクスのメタ評価を行う。 既存のデータセットに対するメタ評価研究は、コンテンツ保存のためのメトリクスの適合性に関する誤解を招く。 我々は、スタイル転送のためのコンテンツ保存メトリクスを評価するために特別に設計された、新しい挑戦的なテストセットを紹介する。
  論文  参考訳（メタデータ） (2025-02-20T20:16:34Z)
• Isolating authorship from content with semantic embeddings and contrastive learning [49.15148871877941]
  作者は内部にスタイルとコンテンツが絡み合っている。 本稿では,意味的類似性モデルを用いて合成的に生成した強みを付加したコントラスト学習手法を提案する。 この切り離し技術は、コンテンツ埋め込み空間をスタイル埋め込み空間から遠ざけることを目的としており、スタイル埋め込みをより情報伝達する。
  論文  参考訳（メタデータ） (2024-11-27T16:08:46Z)
• StyleDistance: Stronger Content-Independent Style Embeddings with Synthetic Parallel Examples [48.44036251656947]
  スタイル表現は、内容に関係なく、類似した書体スタイルのテキストを密に埋め込み、異なる書体スタイルのテキストを遠くに埋め込むことを目的としている。 より強力なコンテンツに依存しないスタイル埋め込みをトレーニングするための新しいアプローチであるStyleDistanceを紹介する。
  論文  参考訳（メタデータ） (2024-10-16T17:25:25Z)
• Few-shot Image Generation via Style Adaptation and Content Preservation [60.08988307934977]
  我々は、GAN転送に画像翻訳モジュールを導入し、モジュールはジェネレータにスタイルとコンテンツを分離するように教える。 我々の手法はショット設定がほとんどない状態で、常に最先端の手法を超越している。
  論文  参考訳（メタデータ） (2023-11-30T01:16:53Z)
• $Z^*$: Zero-shot Style Transfer via Attention Rearrangement [27.185432348397693]
  本研究では,バニラ拡散モデルが直接スタイル情報を抽出し,生成前の情報をコンテンツイメージにシームレスに統合できることを示す。 我々は、遅延空間におけるコンテンツ/スタイル参照を表すために、デュアル・デノナイズ・パスを採用し、次に、スタイル・レイト・コードでコンテンツ・イメージ・デノナイズ・プロセスをガイドする。
  論文  参考訳（メタデータ） (2023-11-25T11:03:43Z)
• ALADIN-NST: Self-supervised disentangled representation learning of artistic style through Neural Style Transfer [60.6863849241972]
  我々は、画像に描かれた意味的内容から、より強く絡み合った視覚芸術スタイルの表現を学習する。 スタイルと内容の絡み合いに強く対処することで、スタイル固有のメトリクスが大きく向上することを示します。
  論文  参考訳（メタデータ） (2023-04-12T10:33:18Z)
• Enhancing Content Preservation in Text Style Transfer Using Reverse Attention and Conditional Layer Normalization [15.444996697848266]
  一般的なアプローチは、ある文をスタイルのないコンテンツ表現にマッピングし、その内容表現はターゲットスタイルのデコーダに供給される。 従来のフィルタリング方式では、トークンレベルでのスタイルによるトークンを完全に取り除いたため、コンテンツ情報が失われる。 本稿では、各トークンのスタイル情報を逆の注意で暗黙的に取り除き、コンテンツを保持することによってコンテンツ保存を強化することを提案する。
  論文  参考訳（メタデータ） (2021-08-01T12:54:46Z)
• Arbitrary Style Transfer via Multi-Adaptation Network [109.6765099732799]
  所望のスタイル転送は、内容画像と参照されたスタイル絵が与えられた場合、そのスタイル絵の色調と鮮やかなストロークパターンで内容画像を描画する。 新たな不整合損失関数により,本ネットワークは,様々な入力画像に適応する主文パターンと正確なコンテンツ構造を抽出できる。
  論文  参考訳（メタデータ） (2020-05-27T08:00:22Z)
• Adversarial Disentanglement with Grouped Observations [0.0]
  我々は、データ(コンテンツ)の関連属性の表現が、他のすべての要因(スタイル)から切り離されていることを考察する。 この研究はこれらのアルゴリズムを補完し、スタイル表現におけるコンテンツ情報を排除する方法である。 画像データセットにおける実験結果と比較結果から,提案手法は,コンテンツとスタイル関連属性を効率的に分離し,未知のデータに一般化できることが示された。
  論文  参考訳（メタデータ） (2020-01-14T13:21:25Z)

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。