論文の概要: Classifying by Proxy: Explainable and Reproducible Ensemble of Proxy Tasks for Child Sexual Abuse Imagery Classification
- arxiv url: http://arxiv.org/abs/2606.15993v1
- Date: Sun, 14 Jun 2026 19:41:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-16 16:21:33.980515
- Title: Classifying by Proxy: Explainable and Reproducible Ensemble of Proxy Tasks for Child Sexual Abuse Imagery Classification
- Title（参考訳）: Proxy による分類: 児童性虐待画像分類のための Proxy タスクの説明可能かつ再現可能なアンサンブル
- Abstract要約: 児童性虐待画像(CSAI)分類システムは、法執行機関が感じる心理的影響を減らすために必要である。
このタスクのほとんどのモデルは、しばしば法執行機関によって望まれる側面(説明可能性)を欠いている。
本稿では,CSAI分類と相関するタスクであるプロキシタスクのアンサンブルを適用し,説明可能性,説明可能性,分散のセキュリティを改善した。
- 参考スコア（独自算出の注目度）: 1.769059591487914
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Child Sexual Abuse Imagery (CSAI) classification systems are needed solutions for lessening the psychological impacts often felt by law enforcement agents responsible for evaluating these materials and for efficient removal of these materials from the web. However, due to the nature of the task, researching and developing such systems is not a trivial endeavor. The images are highly sensitive, and the related datasets are under restrictive access regimes, which means most studies in the area are not reproducible or distributable and are therefore hard to compare and validate. More concerning still, most models for this task today lack an aspect often desired by law enforcement agents: explainability. In this paper, we apply an ensemble of Proxy Tasks -- tasks that correlate to CSAI classification -- yielding improvements in reproducibility, explainability, and security for distribution. This concept is applied for the first time to real CSAI, with a novel selection of relevant Proxy Tasks (selected from the CSAI literature) and training adaptations to the original framework. Our final model achieves competitive results, yielding 91.9% balanced accuracy on the RCPD dataset with the best Proxy Task combination. We furthermore contrast these results with the best-in-class representation learning model, DINO, and show that our ensemble improves accuracy and provides explanations for its classification results, a feature that a single deep learning model can seldom provide.
- Abstract（参考訳）: 児童性虐待画像分類システム(CSAI)は、これらの物質の評価に責任がある法執行機関が感じる心理的影響を軽減し、これらの物質をウェブから効率的に除去するために必要である。
しかし,タスクの性質から,そのようなシステムの研究・開発は容易な試みではない。
画像は極めて感度が高く、関連するデータセットは制限されたアクセスレギュレーションの下にあり、この領域のほとんどの研究は再現性や流通性がなく、比較や検証が難しい。
さらに詳しくは、今日のこのタスクのほとんどのモデルは、法執行機関がしばしば望んでいた側面を欠いている。
本稿では,CSAI 分類に関連付けられたタスクである Proxy Task のアンサンブルを適用し,再現性,説明可能性,分散のセキュリティを改善した。
この概念はCSAIに初めて適用され、関連するプロキシタスク(CSAI文献から選択された)の新たな選択と、オリジナルのフレームワークへの適応のトレーニングが行われた。
最終モデルでは、最適なプロキシタスクの組み合わせでRCPDデータセット上で91.9%のバランスの取れた精度が得られる。
さらに、これらの結果を最良クラス表現学習モデルであるDINOと対比し、我々のアンサンブルが精度を向上し、その分類結果の説明を提供することを示す。
関連論文リスト
- Implicit Neural Representation-Based Continuous Single Image Super Resolution: An Empirical Study [50.15623093332659]
入射神経表現(INR)は任意のスケール画像超解像(ASSR)の標準的アプローチとなっている
既存の手法を多様な設定で比較し、複数の画像品質指標に対して集計結果を示す。
トレーニング中, エッジ, テクスチャ, 細部を保存しながら, 強度変化をペナライズする新たな損失関数について検討した。
論文 参考訳（メタデータ） (2026-01-25T07:09:20Z) - Did Models Sufficient Learn? Attribution-Guided Training via Subset-Selected Counterfactual Augmentation [61.248535801314375]
Subset-Selected Counterfactual Augmentation (SS-CA)
我々は,モデル予測を選択的に変更可能な最小空間領域集合を識別するために,対実的LIMAを開発した。
実験により,SS-CAは分布内テストデータ(ID)の一般化を改善し,分布外ベンチマーク(OOD)において優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2025-11-15T08:39:22Z) - Fake it till You Make it: Reward Modeling as Discriminative Prediction [49.31309674007382]
GAN-RMは、手動の嗜好アノテーションと明示的な品質次元工学を排除した効率的な報酬モデリングフレームワークである。
提案手法は,少数の対象サンプルを識別し,報酬モデルを訓練する。
実験では、GAN-RMが複数の主要なアプリケーションにまたがって有効であることを実証した。
論文 参考訳（メタデータ） (2025-06-16T17:59:40Z) - Minimizing Risk Through Minimizing Model-Data Interaction: A Protocol For Relying on Proxy Tasks When Designing Child Sexual Abuse Imagery Detection Models [7.47716232790068]
子どもの性的虐待のイメージ(CSAI)は、現代社会でますます関心を集めている。
この負担を軽減するために、研究者はデータトリアージの自動化とCSAIの検出方法を模索した。
CSAデータを用いずにCSAIのトレーニングモデルに使用する代用タスク"プロキシタスク"の定義を形式化する。
論文 参考訳（メタデータ） (2025-05-10T12:10:55Z) - Automated Processing of eXplainable Artificial Intelligence Outputs in Deep Learning Models for Fault Diagnostics of Large Infrastructures [13.422002958854936]
本研究は, ポストホックな説明と半教師付き学習を組み合わせて, 異常な説明を自動的に識別するフレームワークを提案する。
提案するフレームワークは,送電網インフラ監視のための絶縁体シェルのドローンによる画像に応用される。
2つの欠陥クラスの平均分類精度は8%向上し、メンテナンス作業者は画像の15%しか手動で再分類する必要がある。
論文 参考訳（メタデータ） (2025-03-19T16:57:00Z) - Adversarial Robustification via Text-to-Image Diffusion Models [56.37291240867549]
アドリラルロバスト性は、ニューラルネットワークをエンコードする難しい性質として伝統的に信じられてきた。
データを使わずに敵の堅牢性を実現するために,スケーラブルでモデルに依存しないソリューションを開発した。
論文 参考訳（メタデータ） (2024-07-26T10:49:14Z) - Reinforcing Pre-trained Models Using Counterfactual Images [54.26310919385808]
本稿では,言語誘導型生成対実画像を用いた分類モデル強化のための新しいフレームワークを提案する。
逆ファクト画像データセットを用いてモデルをテストすることにより、モデルの弱点を同定する。
我々は、分類モデルを微調整し強化するために、デファクトイメージを拡張データセットとして採用する。
論文 参考訳（メタデータ） (2024-06-19T08:07:14Z) - FACTUAL: A Novel Framework for Contrastive Learning Based Robust SAR Image Classification [10.911464455072391]
FACTUALは、逆行訓練と堅牢なSAR分類のためのコントラストラーニングフレームワークである。
本モデルでは, 洗浄試料の99.7%, 摂動試料の89.6%の精度が得られた。
論文 参考訳（メタデータ） (2024-04-04T06:20:22Z) - Deep Metric Learning with Soft Orthogonal Proxies [1.823505080809275]
本稿では,プロキシにソフト直交性(SO)制約を導入する新しいアプローチを提案する。
提案手法では,DMLの目的と合わせて,画像からコンテキスト特徴を抽出するエンコーダとして,データ効率の良い画像変換器(DeiT)を利用する。
提案手法が最先端手法よりも有意なマージンで優れていることを示す。
論文 参考訳（メタデータ） (2023-06-22T17:22:15Z) - Contrastive Learning for Fair Representations [50.95604482330149]
訓練された分類モデルは、意図せずバイアスのある表現や予測につながる可能性がある。
対戦訓練のような既存の分類モデルのデバイアス化手法は、訓練に高価であり、最適化が困難であることが多い。
比較学習を取り入れたバイアス軽減手法を提案し、同じクラスラベルを共有するインスタンスに類似した表現を推奨する。
論文 参考訳（メタデータ） (2021-09-22T10:47:51Z) - Style Normalization and Restitution for DomainGeneralization and
Adaptation [88.86865069583149]
効果的なドメイン一般化モデルは、一般化および判別可能な特徴表現を学習することが期待される。
本稿では,ネットワークの高一般化と識別能力を確保するために,新しいスタイル正規化・再構成モジュール(SNR)を設計する。
論文 参考訳（メタデータ） (2021-01-03T09:01:39Z)
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。