論文の概要: Dual-Branch Cross-Projection Debiasing through Diffusion-based Disentanglement

• arxiv url: http://arxiv.org/abs/2606.24161v1
• Date: Tue, 23 Jun 2026 05:28:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:48.791337
• Title: Dual-Branch Cross-Projection Debiasing through Diffusion-based Disentanglement
• Title（参考訳）: 拡散型アンタングルメントによるデュアルブランチクロスプロジェクションのデバイアス
• Authors: Xiangqian Zhao, Xinyang Jiang, Zhipeng Xu, Lingfeng He, Zilong Wang, Dongsheng Li, De Cheng, Nannan Wang,
• Abstract要約: バイアス付きデータセットに基づいてトレーニングされた基礎モデルは、しばしばターゲットラベルと非因果属性の間の急激な相関に依存する。 信頼誘導概念マイニング(CBCM:Confidence-guided Concept Mining)を導入し,属性アノテーションを使わずに信頼性の高いスプリアス属性を同定する。 本稿では,目標と突発的な表現を2つのブランチに分離するプロンプトチューニングフレームワークであるDual-branch Cross-projection Debiasing (DCD)を提案する。
• 参考スコア（独自算出の注目度）: 66.67463557274358
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Foundation models trained on biased datasets often rely on spurious correlations between target labels and non-causal attributes, resulting in poor generalization on minority groups. Bias mitigation remains challenging due to two fundamental issues. First, when group labels are unavailable, existing group-unsupervised methods typically infer spurious attributes implicitly from model behavior, making it difficult to identify spurious factors that are semantically aligned with real-world biases. Second, even with pseudo spurious supervision, most existing debiasing methods follow a single-branch design that operates within a single shared feature space, where target and spurious attributes are intrinsically entangled. To address the first challenge, we introduce Confidence-guided Bias Concept Mining (CBCM), which leverages diffusion-disentangled, semantically grounded concept representations to identify reliable spurious attributes without attribute annotations. To address the second challenge, we propose Dual-branch Cross-projection Debiasing (DCD), a prompt-tuning framework that separates target and spurious representations into two branches and explicitly removes spurious information through cross null-space projection while preserving target-relevant semantics. Extensive experiments on four benchmark datasets show that our method achieves state-of-the-art worst group accuracy among group-unsupervised approaches, while tuning at most 0.22% of the model parameters. The source code is available in the supplementary materials.
• Abstract（参考訳）: バイアス付きデータセットに基づいてトレーニングされた基礎モデルは、しばしばターゲットラベルと非因果属性の間の急激な相関に頼り、その結果、少数民族の一般化が不十分になる。 2つの根本的な問題により、バイアス軽減は依然として困難である。 まず、グループラベルが利用できない場合、既存のグループ教師なし手法は、モデル行動から暗黙的にスパイラルな属性を推測し、現実世界のバイアスにセマンティックに整合したスパイラルな要因を特定するのが困難になる。 第二に、擬似的な刺激的監督でさえ、既存のデバイアス法のほとんどは単一の共有特徴空間内で機能する単一ブランチ設計に従っており、ターゲットと刺激的属性は本質的に絡み合っている。 最初の課題に対処するために、拡散不整合で意味論的に根ざした概念表現を活用するCBCM(Confidence-guided Bias Concept Mining)を導入し、属性アノテーションを使わずに信頼性の高いスプリアス属性を識別する。 2つ目の課題に対処するため、Dual-branch Cross-projection Debiasing (DCD)を提案する。これは、ターゲットとスプリアス表現を2つのブランチに分離し、ターゲット関連セマンティクスを保存しながら、クロスヌル空間プロジェクションを通してスプリアス情報を明示的に除去するプロンプトチューニングフレームワークである。 4つのベンチマーク・データセットの大規模な実験により,提案手法はグループ教師なしアプローチにおいて最先端のグループ精度を実現し,モデルパラメータの少なくとも0.22%をチューニングできることがわかった。 ソースコードは補足資料で入手できる。

関連論文リスト

• Bias Leaves a Gradient Trail: Label-Free Bias Identification via Gradient Probes on Concept Decompositions [8.894428198928333]
  本稿では,凍結視覚モデルにおける突発的概念を識別するためのバイアスラベルのないポストホック法を提案する。 Colored MNIST と Waterbirds では、この手法は既知のスプリアスキューに沿った概念を復元する。 推論時間における上位概念の抑制は、最悪のグループ精度を最大17.9ポイント向上させる。
  論文  参考訳（メタデータ） (2026-05-27T17:39:10Z)
• Fair Deepfake Detectors Can Generalize [51.21167546843708]
  共同設立者(データ分散とモデルキャパシティ)の制御により,公正な介入による一般化が向上することを示す。 この知見を応用して, 逆正当性重み付けとサブグループワイド特徴正規化を併用し, 新たなアライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・インセンティブ・インターベンション・インベンション・インテクション(DAID)を提案する。 DAIDは、いくつかの最先端技術と比較して、公平性と一般化の両方において一貫して優れた性能を達成する
  論文  参考訳（メタデータ） (2025-07-03T14:10:02Z)
• FairGen: Enhancing Fairness in Text-to-Image Diffusion Models via Self-Discovering Latent Directions [18.3214925434309]
  拡散モデル(DM)は様々な画像生成タスクにおいて顕著な性能を示す。 これらのバイアスは歪んだ世界観を永続させ、少数民族の機会を妨げる可能性がある。 本研究では,属性潜在方向を自己発見的に学習するプラグイン・アンド・プレイ手法であるFairGenを提案する。
  論文  参考訳（メタデータ） (2024-12-25T07:30:20Z)
• Towards Distribution-Agnostic Generalized Category Discovery [51.52673017664908]
  データ不均衡とオープンエンドの分布は、現実の視覚世界の本質的な特性である。 我々は,BaCon(Self-Balanced Co-Advice contrastive framework)を提案する。 BaConは、対照的な学習ブランチと擬似ラベルブランチで構成され、DA-GCDタスクを解決するためのインタラクティブな監視を提供するために協力して動作する。
  論文  参考訳（メタデータ） (2023-10-02T17:39:58Z)
• MARS: Model-agnostic Biased Object Removal without Additional Supervision for Weakly-Supervised Semantic Segmentation [3.997707534484444]
  弱教師付きセマンティックセグメンテーションは、弱い監督力を用いたセマンティックセグメンテーションモデルを訓練することにより、ラベリングコストを削減することを目的としている。 完全自動/モデル非依存のオブジェクト除去フレームワークMARSを提案する。 以上の結果から,MARS は様々な WSSS モデルの性能を少なくとも30% 改善する。
  論文  参考訳（メタデータ） (2023-04-19T18:24:28Z)
• Delving into Identify-Emphasize Paradigm for Combating Unknown Bias [52.76758938921129]
  同定精度を高めるため,有効バイアス強調スコアリング法(ECS)を提案する。 また, マイニングされたバイアスアライメントとバイアスコンプリケート試料のコントリビューションのバランスをとるために, 勾配アライメント(GA)を提案する。 様々な環境で複数のデータセットで実験を行い、提案されたソリューションが未知のバイアスの影響を軽減することを実証した。
  論文  参考訳（メタデータ） (2023-02-22T14:50:24Z)
• General Greedy De-bias Learning [163.65789778416172]
  本稿では,関数空間における勾配降下のような偏りのあるモデルとベースモデルを優雅に訓練する一般グリーディ・デバイアス学習フレームワーク(GGD)を提案する。 GGDは、事前知識を持つタスク固有バイアスモデルと、事前知識を持たない自己アンサンブルバイアスモデルの両方の設定の下で、より堅牢なベースモデルを学ぶことができる。
  論文  参考訳（メタデータ） (2021-12-20T14:47:32Z)
• Learning Debiased Representation via Disentangled Feature Augmentation [19.348340314001756]
  本稿では, 様々なバイアスを伴うサンプルを用いたトレーニングが, 脱バイアスに不可欠であることを示す実験的検討を行った。 本稿では, 多様なバイアス分散サンプルを合成するために, 特徴レベルのデータ拡張手法を提案する。
  論文  参考訳（メタデータ） (2021-07-03T08:03:25Z)

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。