論文の概要: SAGE: Subpopulation-Aware Generative Enhancement for Mitigating Spurious Correlations

• arxiv url: http://arxiv.org/abs/2609.01051v1
• Date: Tue, 01 Sep 2026 10:47:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.58747
• Title: SAGE: Subpopulation-Aware Generative Enhancement for Mitigating Spurious Correlations
• Title（参考訳）: SAGE:スプリアス相関の緩和のためのサブポピュレーション・アウェア・ジェネレーションの強化
• Authors: Yiming Luo, Rongqiang Zhao, Jie Liu,
• Abstract要約: Subpopulation-Aware Generative Enhancement (SAGE)は、2段階の生成拡張フレームワークである。 本研究では,水鳥,CelebA,MetaShiftにおいて,SAGEが89.5%,85.7%,79.1%の群精度を達成したことを実験的に示した。
• 参考スコア（独自算出の注目度）: 7.753860485619659
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spurious correlations pose a significant challenge to the robustness of modern machine learning. The inherent imbalance in dataset distributions often leads traditional Empirical Risk Minimization (ERM) models to rely on majority spurious attributes for classification, resulting in poor performance on minority groups. This problem becomes particularly challenging when the spurious attributes are unavailable. Existing group-label-free methods often upsample minority groups or misclassified real training examples; repeating the same instances can reduce effective diversity and encourage overfitting. To mitigate these spurious correlations from a data-centric perspective in the absence of prior knowledge, we introduce Subpopulation-Aware Generative Enhancement (SAGE), a two-stage generative augmentation framework. Using cluster-derived sub-labels and class labels, we fine-tune a conditional generative model and text encoder, generating targeted synthetic data to fill underrepresented regions in the training set and construct a balanced validation set for last-layer reweighting. We experimentally show that SAGE achieves 89.5%, 85.7%, and 79.1% worst-group accuracy on Waterbirds, CelebA, and MetaShift, respectively, outperforming the best group-label-free baselines by up to 7.7 percentage points.
• Abstract（参考訳）: 鮮やかな相関関係は、現代の機械学習の堅牢性に重大な課題をもたらす。 データセットの分布に固有の不均衡は、しばしば伝統的な経験的リスク最小化(ERM)モデルに分類の大多数の突発的な属性を頼りにし、結果として少数派での性能が低下する。 この問題は、スプリアス属性が利用できない場合に特に困難になる。 既存のグループラベルなしの手法は、しばしば少数派グループを増幅したり、誤分類された実際の訓練例を例に挙げる。 先行知識の欠如からデータ中心の視点からこれらの素早い相関を緩和するために,2段階の生成促進フレームワークであるサブポピュレーション・アウェア生成促進(SAGE)を導入する。 クラスタ由来のサブラベルとクラスラベルを用いて、条件付き生成モデルとテキストエンコーダを微調整し、トレーニングセットの未表現領域を埋めるターゲット合成データを生成し、最終層再重み付けのための平衡検証セットを構築する。 その結果,SAGEは水鳥,CelebA,MetaShiftにおいて89.5%,85.7%,79.1%の最悪群を達成し,最大群ラベルなしベースラインを最大7.7%上回った。

関連論文リスト

• Mitigating Clever Hans Strategies in Image Classifiers through Generating Counterexamples [15.618934546058277]
  群分布ロバストネス法は、明示的な群ラベルを重みの低い群に頼っている。 本稿では, 種々の偽物を生成するフレームワークCFKDを提案する。 CFKDの有効性を5つのデータセットにまたがって示す。
  論文  参考訳（メタデータ） (2025-10-20T13:22:57Z)
• C2AL: Cohort-Contrastive Auxiliary Learning for Large-scale Recommendation Systems [7.548682352355034]
  共有埋め込み選択のための因子化機械において,注意機構が重要な役割を担っていることを示す。 本稿では、データセットのサブ構造を分析し、補助学習を通して強力な分布コントラストを持つ構造を明らかにすることで、この問題に対処することを提案する。 このアプローチは、注目層の学習プロセスをカスタマイズし、少数派コホートとの相互情報を保護し、グローバルなパフォーマンスを向上させる。
  論文  参考訳（メタデータ） (2025-10-02T17:00:17Z)
• 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)
• Group-robust Sample Reweighting for Subpopulation Shifts via Influence Functions [37.0753553356624]
  グループロバストサンプル再重み付け(GSR)は、まずグループ未ラベルデータから表現を学習する2段階の手法である。 GSRは理論的には健全で、実質的に軽量であり、人口移動に対する堅牢性を改善するのに効果的である。
  論文  参考訳（メタデータ） (2025-03-10T13:34:18Z)
• Trained Models Tell Us How to Make Them Robust to Spurious Correlation without Group Annotation [3.894771553698554]
  経験的リスク最小化(ERM)モデルは、ターゲットと高い刺激的な相関を持つ属性に依存する傾向がある。 これにより、これらの属性を欠いた未表現(または'マイナー')グループのパフォーマンスを低下させることができる。 本稿では,環境に基づく検証と損失に基づくサンプリング(EVaLS)を提案する。
  論文  参考訳（メタデータ） (2024-10-07T08:17:44Z)
• Tackling Diverse Minorities in Imbalanced Classification [80.78227787608714]
  不均衡データセットは、様々な現実世界のアプリケーションで一般的に見られ、分類器の訓練において重要な課題が提示されている。 マイノリティクラスとマイノリティクラスの両方のデータサンプルを混合することにより、反復的に合成サンプルを生成することを提案する。 提案するフレームワークの有効性を,7つの公開ベンチマークデータセットを用いて広範な実験により実証する。
  論文  参考訳（メタデータ） (2023-08-28T18:48:34Z)
• Modeling the Q-Diversity in a Min-max Play Game for Robust Optimization [61.39201891894024]
  群分布的ロバスト最適化(群 DRO)は、事前定義された群に対する最悪の損失を最小限にすることができる。 グループDROフレームワークをQ-Diversityを提案して再構築する。 インタラクティブなトレーニングモードによって特徴付けられるQ-Diversityは、アノテーションからグループ識別を緩和し、直接パラメータ化を行う。
  論文  参考訳（メタデータ） (2023-05-20T07:02:27Z)
• Ranking & Reweighting Improves Group Distributional Robustness [14.021069321266516]
  本研究では,DRU(Discounted Rank Upweighting)と呼ばれるランキングベースのトレーニング手法を提案し,テストデータ上で強力なOOD性能を示すモデルを学習する。 いくつかの合成および実世界のデータセットの結果は、群分布シフトに頑健なモデルの選択と学習において、グループレベルの(ソフトミニマックスと異なり)アプローチの優れた能力を浮き彫りにしている。
  論文  参考訳（メタデータ） (2023-05-09T20:37:16Z)
• 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)

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。