論文の概要: Discovering Latent Groups for Robust Classification

• arxiv url: http://arxiv.org/abs/2606.23609v1
• Date: Mon, 22 Jun 2026 17:09:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 17:52:15.505628
• Title: Discovering Latent Groups for Robust Classification
• Title（参考訳）: ロバスト分類のための潜在群を発見する
• Authors: Ankur Garg, Ulrich Aïvodji, Samira Ebrahimi Kahou, Vincent Michalski,
• Abstract要約: 機械学習モデルはスパイラルな相関を利用して、高い平均精度を達成するが、表現不足のサブグループでは不釣り合いに失敗する。 木形構造にサブグループ構造をエンコードすることでロバスト性を実現するフレームワークであるニューラル分類木(NCT)を提案する。
• 参考スコア（独自算出の注目度）: 7.260077299998815
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning models exploit spurious correlations, achieving high average accuracy but failing disproportionately on underrepresented subgroups. Existing methods address this by adjusting network parameters, guided either by subgroup annotations or inferred pseudo-group labels. Yet at inference, these methods produce only a class prediction, with no insight into a sample's latent subgroup. We propose neural classification trees (NCT), a framework that achieves robustness by encoding subgroup structure in its tree-shaped architecture. By routing each sample to an "easy" or "hard" node of this tree -- based on prediction correctness -- and reusing these routes as pseudo-labels for the next iteration, NCT disentangles conflicting subgroups, without requiring subgroup supervision. We evaluate NCT on five benchmarks spanning binary and multi-class spurious correlations. Our experiments show that the learned tree topology provides strong interpretability by consistently isolating minority subgroups, which provides a transparent mapping between the model architecture and the data's latent group structure, while yielding competitive robustness with state-of-the-art methods.
• Abstract（参考訳）: 機械学習モデルはスパイラルな相関を利用して、高い平均精度を達成するが、表現不足のサブグループでは不釣り合いに失敗する。 既存のメソッドは、サブグループアノテーションまたは推論された擬似グループラベルによってガイドされるネットワークパラメータを調整することで、この問題に対処する。 しかし、推論において、これらの手法は標本の潜伏部分群についての洞察が無く、クラス予測のみを生成する。 木形構造にサブグループ構造をエンコードすることでロバスト性を実現するフレームワークであるニューラル分類木(NCT)を提案する。 この木の"easy"あるいは"hard"ノードに各サンプルをルーティングすることで、予測の正確性に基づいて、次のイテレーションでこれらのルートを擬似ラベルとして再利用することで、NCTはサブグループの監督を必要とせずに、競合するサブグループを分離する。 NCTを2次相関と複数クラス相関にまたがる5つのベンチマークで評価した。 実験の結果,学習木トポロジーは少数部分群を一貫して分離し,モデルアーキテクチャとデータの潜在群構造を透過的にマッピングし,最先端の手法と競合するロバスト性が得られることがわかった。

関連論文リスト

• Decision Tree Embedding by Leaf-Means [11.318593165494724]
  決定木埋め込み(Decision Tree Embedding, DTE)は、訓練された分類木の葉の分割を利用して解釈可能な特徴表現を構築する、迅速かつ効果的な方法である。 各葉領域内のサンプル手段をアンカーポイントとして使用することにより、DTEは木の分割構造によって定義された埋め込み空間に入力をマップする。 軽度条件下での条件密度の保存を含む,DTEの個体群レベルの理論的特性を確立した。
  論文  参考訳（メタデータ） (2025-12-01T15:57:33Z)
• Project-Probe-Aggregate: Efficient Fine-Tuning for Group Robustness [61.45587642780908]
  画像テキスト基礎モデルのパラメータ効率向上のための3段階のアプローチを提案する。 本手法は, マイノリティ標本同定とロバストトレーニングアルゴリズムの2つの重要な要素を改良する。 我々の理論分析は,PPAが少数群の識別を向上し,バランスの取れたグループエラーを最小限に抑えるためにベイズが最適であることを示している。
  論文  参考訳（メタデータ） (2025-03-12T15:46:12Z)
• A structured regression approach for evaluating model performance across intersectional subgroups [53.91682617836498]
  分散評価(disaggregated evaluation)は、AIフェアネスアセスメントにおける中心的なタスクであり、AIシステムのさまざまなサブグループ間でのパフォーマンスを測定することを目的としている。 非常に小さなサブグループであっても,信頼性の高いシステム性能推定値が得られることを示す。
  論文  参考訳（メタデータ） (2024-01-26T14:21:45Z)
• Hierarchical clustering with dot products recovers hidden tree structure [53.68551192799585]
  本稿では,階層構造の回復に着目した凝集クラスタリングアルゴリズムの新しい視点を提案する。 クラスタを最大平均点積でマージし、例えば最小距離やクラスタ内分散でマージしないような、標準的なアルゴリズムの単純な変種を推奨する。 このアルゴリズムにより得られた木は、汎用確率的グラフィカルモデルの下で、データ中の生成的階層構造をボナフェイド推定することを示した。
  論文  参考訳（メタデータ） (2023-05-24T11:05:12Z)
• Group conditional validity via multi-group learning [5.797821810358083]
  本研究では,分布自由な共形予測の問題と群条件妥当性の基準について考察する。 既存の方法は、制限的群化構造または分布的仮定の下でそのような保証を達成する。 マルチグループ学習と呼ばれる問題に対して,アルゴリズムを活用することにより,個人集団に対する妥当性保証を実現する問題に対する簡易な削減を提案する。
  論文  参考訳（メタデータ） (2023-03-07T15:51:03Z)
• Leveraging Structure for Improved Classification of Grouped Biased Data [8.121462458089143]
  データポイントが自然にグループ化されるアプリケーションに対する半教師付きバイナリ分類を検討する。 我々は、この構造を明示的に活用し、最適、グループ対応、確率出力の分類器を学習する半教師付きアルゴリズムを導出する。
  論文  参考訳（メタデータ） (2022-12-07T15:18:21Z)
• Subgroup Robustness Grows On Trees: An Empirical Baseline Investigation [13.458414200958797]
  本稿は,最先端のツリーベース手法と並行して,公正で堅牢な学習手法を実証的に比較する。 木に基づく手法は, 頑健性および公正性向上法と比較して, 強い部分群ロバスト性を有することを示す。
  論文  参考訳（メタデータ） (2022-11-23T04:49:18Z)

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。