論文の概要: Counterfactual Contrastive Analysis

• arxiv url: http://arxiv.org/abs/2608.19032v1
• Date: Wed, 19 Aug 2026 15:25:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 20:13:55.442077
• Title: Counterfactual Contrastive Analysis
• Title（参考訳）: 対物コントラスト分析
• Abstract要約: コントラスト分析(CA)に基づく視覚対物生成のための分類器なし手法を提案する。 我々は,2つのデータセットに共通する生成因子を,各データセットに有意な要素から切り離し,有意な要素のみを交換することで,対物画像を生成する。 提案手法を3つの医用画像データセット上で評価し,既存の手法と比較して優れた反事実生成品質を示す。
• 参考スコア（独自算出の注目度）: 6.190850256222902
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Visual Counterfactual Explanations (VCEs) aim to explain image classifiers by generating minimally edited and realistic versions of an input image that change the classifier's prediction. Existing VCE methods are inherently classifier-dependent and therefore susceptible to classifier biases and failure modes, such as sensitivity to shortcut features and calibration errors. In this paper, we propose a classifier-free approach for visual counterfactual generation based on Contrastive Analysis (CA). Given two datasets corresponding to different classes (e.g., healthy and patients), we disentangle the generative factors that are common across the two datasets from those that are salient to each dataset, and generate counterfactual images by swapping only the salient factors. By operating directly on data distributions rather than decision boundaries, our method provides model-agnostic VCEs that are less sensitive to classifier biases. Our approach leverages the high-quality synthesis and well-structured latent space of StyleGAN2. We use the feature space F, instead than the usual W-space, to improve detail preservation. Unlike conventional CA approaches, which typically assume salient factors in only one dataset, we introduce an adapted framework and loss functions for VCE that allow multiple salient factors in each dataset. We evaluate our method on three medical imaging datasets and demonstrate superior counterfactual generation quality compared to existing approaches.
• Abstract（参考訳）: Visual Counterfactual Explanations (VCE) は、画像分類器の予測を変更する入力画像の最小限の編集および現実的なバージョンを生成することで、画像分類器を説明することを目的としている。 既存のVCEメソッドは本質的に分類器に依存しているため、分類器のバイアスや、特徴のショートカットやキャリブレーションエラーに対する感度などの障害モードの影響を受けやすい。 本稿では,コントラスト分析(CA)に基づく視覚的反事実生成のための分類器のない手法を提案する。 異なるクラス(例えば、健康、患者)に対応する2つのデータセットを与えられた場合、各データセットに有意なデータセットから2つのデータセットに共通する生成因子を分離し、有意な要素のみを交換することで、対物画像を生成する。 決定境界ではなくデータ分布を直接操作することにより、分類器バイアスに敏感でないモデルに依存しないVCEを提供する。 提案手法はStyleGAN2の高品質な合成とよく構造化された潜在空間を利用する。 我々は、通常のW空間ではなく特徴空間Fを用いて、詳細保存を改善する。 従来のCAアプローチとは異なり、一般的に1つのデータセットで有能な要素を前提としていますが、VCEに適応したフレームワークと損失関数を導入し、各データセットで複数の有能な要素を許容します。 提案手法を3つの医用画像データセット上で評価し,既存の手法と比較して優れた反事実生成品質を示す。

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)
• Learning Common and Salient Generative Factors Between Two Image Datasets [5.687672336203402]
  コントラスト分析のための新しい枠組みを提案する。 新しく順応した学習戦略と損失を定義することで、一般的な要因と健全な要因の分離を確実にする。 本フレームワークは,従来の手法に比べて分離性能と画像合成品質が優れていることを示す。
  論文  参考訳（メタデータ） (2025-12-14T18:47:41Z)
• Understanding and evaluating computer vision models through the lens of counterfactuals [2.2819712364325047]
  この論文は、視覚分類器および生成モデルにおけるバイアスの説明、監査、緩和に反事実を使用するフレームワークを開発する。 体系的に意味のある属性を体系的に変更し、他の属性を固定することで、これらの手法は突発的な相関を明らかにする。 これらの貢献は、識別モデルと生成モデルの両方において、解釈可能性、公正性、因果性のための統一レンズとして反事実を示す。
  論文  参考訳（メタデータ） (2025-08-28T15:11:49Z)
• Crafting Imperceptible On-Manifold Adversarial Attacks for Tabular Data [38.89245780759371]
  本稿では,混合入力変分オートエンコーダ(VAE)を用いた遅延空間摂動フレームワークを提案し,統計的に一貫した逆の例を生成する。 提案手法は,従来の入力空間攻撃と比較して,アウトレーラ率と一貫した性能を著しく低下させることを示す。
  論文  参考訳（メタデータ） (2025-07-15T05:34:44Z)
• Fine-grained Recognition with Learnable Semantic Data Augmentation [68.48892326854494]
  きめ細かい画像認識は、長年続くコンピュータビジョンの課題である。 本稿では,識別領域損失問題を軽減するため,特徴レベルのトレーニングデータを多様化することを提案する。 本手法は,いくつかの人気分類ネットワーク上での一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2023-09-01T11:15:50Z)
• SepVAE: a contrastive VAE to separate pathological patterns from healthy ones [2.619659560375341]
  コントラスト分析VAE(Contrastive Analysis VAE)は、背景データセット(BG)と対象データセット(TG)の共通要因を分離することを目的とした変分自動エンコーダ(VAE)のファミリーである。 3つの医療応用と自然画像データセット(CelebA)における従来のCA-VAEs法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-07-12T14:52:21Z)
• On the Eigenvalues of Global Covariance Pooling for Fine-grained Visual Recognition [65.67315418971688]
  グローバル共分散プーリング(GCP)の小さな固有値をトラッピングすることで、よりスムーズな勾配が得られることを示す。 きめ細かいデータセットでは、小さな固有値の切り抜きは、モデルを収束させるのに失敗する。 この観測から着想を得て,小さな固有値の重要性を拡大するネットワーク分岐を提案する。
  論文  参考訳（メタデータ） (2022-05-26T11:41:36Z)
• Fine-Grained Visual Classification using Self Assessment Classifier [12.596520707449027]
  識別的特徴の抽出は、きめ細かい視覚的分類タスクにおいて重要な役割を担っている。 本稿では,画像とトップkの予測クラスを同時に活用する自己評価手法を提案する。 本手法は,CUB200-2011,Stanford Dog,FGVC Aircraft のデータセットに対して,最新の結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-05-21T07:41:27Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• Mitigating Generation Shifts for Generalized Zero-Shot Learning [52.98182124310114]
  一般化ゼロショット学習(英: Generalized Zero-Shot Learning、GZSL)は、学習中に見知らぬクラスが観察できない、見つからないサンプルを認識するために意味情報(属性など)を活用するタスクである。 本稿では,未知のデータ合成を効率よく,効率的に学習するための新しい生成シフト緩和フローフレームワークを提案する。 実験結果から,GSMFlowは従来のゼロショット設定と一般化されたゼロショット設定の両方において,最先端の認識性能を実現することが示された。
  論文  参考訳（メタデータ） (2021-07-07T11:43:59Z)
• Generalized One-Class Learning Using Pairs of Complementary Classifiers [41.64645294104883]
  1クラス学習は、単一のクラスでのみアノテーションが利用できるデータにモデルを適合させる古典的な問題である。 本稿では,一級学習の新たな目的を探求し,これを一般化一級識別サブスペース(GODS)と呼ぶ。
  論文  参考訳（メタデータ） (2021-06-24T18:52:05Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)

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。