論文の概要: AIA$^{2}$: Attribute-Agnostic Imbalance Augmentation for Subgroup Robustness
- arxiv url: http://arxiv.org/abs/2608.30297v1
- Date: Mon, 31 Aug 2026 06:08:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:31.25144
- Title: AIA$^{2}$: Attribute-Agnostic Imbalance Augmentation for Subgroup Robustness
- Title（参考訳）: AIA$^{2}$: サブグループロバストネスに対する属性非依存的不均衡増大
- Abstract要約: Attribute-Agnostic Im Balance Augmentation (AIA$2$)は、様々なサブグループ不均衡の下でモデルロバスト性を改善するためのフレームワークである。
AIA$2$は、潜在意味分布を介して様々な不均衡を自動的に発見し、学習困難とサブグループ不均衡の両面からスライスを得る。
- 参考スコア（独自算出の注目度）: 3.2488051786523813
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Attributes describing data content and context can induce diverse imbalance patterns that go beyond label imbalance alone. However, existing studies primarily address label imbalance while overlooking data attributes, such as topics and demographics, which can induce meaningful subgroup structure while causing model degradation on underrepresented subgroups. We propose Attribute-Agnostic Imbalance Augmentation (AIA$^{2}$), a framework for improving model robustness under varying subgroup imbalances without explicit subgroup annotations. AIA$^{2}$ automatically discovers varying imbalances via latent semantic distributions, obtains slices with both learning difficulty and subgroup imbalance deficits, and deploys a large language model (LLM) for subgroup-aware imbalance augmentation. We have evaluated AIA$^{2}$ on 5 popular corpora with rich domains and their attribute values, covering social issues and diverse topics. Results show improved performance on the lowest-performing subgroups and consistent gains over competitive baselines. Ablation studies confirm complementary contributions from each component, and additional analyses show that AIA$^{2}$ provides a practical and consistent way to improve worst-group robustness under data subgroup imbalance. Code is available at https://github.com/trust-nlp/AIA2-Subgroup-Robustness.
- Abstract（参考訳）: データの内容とコンテキストを記述する属性は、ラベルの不均衡だけでなく、さまざまな不均衡パターンを引き起こす可能性がある。
しかし、既存の研究では、トピックや人口統計などのデータ属性を見下ろしながらラベルの不均衡に対処し、意味のあるサブグループ構造を誘導し、表現不足のサブグループにモデル劣化を引き起こす。
本稿では,Attribute-Agnostic Im Balance Augmentation (AIA$^{2}$)を提案する。
AIA$^{2}$は、潜在意味分布による様々な不均衡を自動的に発見し、学習困難とサブグループ不均衡の両面でスライスを取得し、サブグループ対応の不均衡増大のための大きな言語モデル(LLM)をデプロイする。
AIA$^{2}$を、リッチドメインと属性値を持つ5つの人気コーパスで評価し、社会問題や多様なトピックについて検討した。
その結果、最低性能のサブグループの性能が向上し、競争ベースラインよりも一貫した利得が得られた。
AIA$^{2}$は、データサブグループ不均衡の下で最悪のグループロバスト性を改善するための実践的で一貫した方法である。
コードはhttps://github.com/trust-nlp/AIA2-Subgroup-Robustnessで入手できる。
関連論文リスト
- Towards Provably Fair Machine Learning: Bayesian Approaches For Consistent and Transparent Predictions [0.0]
本稿では,部分群予測における一貫性の原理的アルゴリズムを提案する。
我々の分類器は、ベースライン精度を越えながら、構築によってゼロ整合誤差を達成する。
マイノリティの人口層は不均等に小さなサブグループに集中している。
論文 参考訳（メタデータ） (2026-06-10T19:16:26Z) - Balanced Aggregation: Understanding and Fixing Aggregation Bias in GRPO [70.38763678943648]
検証可能な報酬(RLVR)による強化学習は、大規模言語モデルにおける推論とコード生成を改善するための中心的なパラダイムとなっている。
標準的なGRPOはシーケンスアグリゲーションを使用し、最近の研究はトークンアグリゲーションをより良い代替手段として提唱している。
トークンアグリゲーションは符号長結合を導入し、シーケンスアグリゲーションは暗黙的にダウンウェイトを延長する。
論文 参考訳（メタデータ） (2026-04-14T09:48:46Z) - Weight-Informed Self-Explaining Clustering for Mixed-Type Tabular Data [63.62853416081748]
WISEは表現、特徴重み付け、クラスタリング、解釈を統一するフレームワークである。
クラスタリングを駆動する同じプリミティブに根ざした、忠実で人間解釈可能な説明を生成する。
論文 参考訳（メタデータ） (2026-04-07T13:18:31Z) - Representation Invariance and Allocation: When Subgroup Balance Matters [2.910375306412165]
不均衡なデータ分布は、実際にはサブグループのパフォーマンスを改善するが、トレーニング中にサブグループ全体の欠如によって、サブグループのパフォーマンスが影響を受けない場合もある。
本稿では,部分微調整されたモデルの部分群表現への依存が,事前学習されたモデルの潜在空間における部分群間の分離の度合いによって決定されることを示す潜在分離仮説を提案する。
論文 参考訳（メタデータ） (2025-12-10T10:19:48Z) - 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) - FILM: Framework for Imbalanced Learning Machines based on a new unbiased performance measure and a new ensemble-based technique [37.94431794242543]
本研究は,バイナリ分類タスクの非バランスなデータセットを扱う際の課題に対処する。
標準評価指標は、しばしば少数民族の不均等な表現に偏っている。
本稿では, バイアスを著しく低減した新しい指標Unbiased Integration Coefficientsを提案する。
論文 参考訳（メタデータ） (2025-03-06T12:15:56Z) - Take One Gram of Neural Features, Get Enhanced Group Robustness [23.541213868620837]
経験的リスク最小化で訓練された機械学習モデルの予測性能は、分散シフト下で大幅に低下する可能性がある。
本稿では,識別モデルの抽出した特徴の文法行列に基づいて,トレーニングデータセットをグループに分割する。
このアプローチは、ERMに対するグループロバスト性を向上するだけでなく、最近のすべてのベースラインを上回ります。
論文 参考訳（メタデータ） (2022-08-26T12:34:55Z) - Examining and Combating Spurious Features under Distribution Shift [94.31956965507085]
我々は、最小限の統計量という情報理論の概念を用いて、ロバストで刺激的な表現を定義し、分析する。
入力分布のバイアスしか持たない場合でも、モデルはトレーニングデータから急激な特徴を拾い上げることができることを証明しています。
分析から着想を得た結果,グループDROは,グループ同士の相関関係を直接考慮しない場合に失敗する可能性が示唆された。
論文 参考訳（メタデータ） (2021-06-14T05:39:09Z) - Robust subgroup discovery [0.2578242050187029]
最小記述長原理を用いて最適ロバスト部分群発見の問題を定式化する。
RSDは、良いサブグループリストを見つけ、各イテレーションで最も重要なサブグループが追加されたことを保証します。
我々は,rsdが従来のサブグループ集合発見法を上回っている54のデータセットを,品質とサブグループリストサイズの観点から実証的に示す。
論文 参考訳（メタデータ） (2021-03-25T09:04:13Z) - Model Patching: Closing the Subgroup Performance Gap with Data
Augmentation [50.35010342284508]
機械学習モデルの堅牢性を改善するためのフレームワークであるモデルパッチを導入する。
モデルパッチは、サブグループの違いに対してモデルを不変にすることを奨励し、サブグループによって共有されるクラス情報にフォーカスする。
CAMELは,(1)CycleGANを用いてクラス内およびサブグループ間拡張を学習し,(2)理論上動機付けられた整合性正規化器を用いてサブグループ性能のバランスをとる。
CAMELの有効性を3つのベンチマークデータセットで示し、最高のベースラインに対して、ロバストなエラーを最大33%削減した。
論文 参考訳（メタデータ） (2020-08-15T20:01:23Z) - Data Augmentation Imbalance For Imbalanced Attribute Classification [60.71438625139922]
本稿では,データ拡張不均衡(DAI)と呼ばれる新しい再サンプリングアルゴリズムを提案する。
我々のDAIアルゴリズムは歩行者属性のデータセットに基づいて最先端の結果を得る。
論文 参考訳（メタデータ） (2020-04-19T20:43:29Z)
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。