論文の概要: Prevalence calibration as shortcut mitigation

• arxiv url: http://arxiv.org/abs/2609.07922v1
• Date: Mon, 07 Sep 2026 19:38:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.504993
• Title: Prevalence calibration as shortcut mitigation
• Title（参考訳）: ショートカット緩和としての精度校正
• Abstract要約: ショートカット学習(英: Shortcut learning)とは、分類器が診断的特徴よりも突発的な相関を利用するという広い状況を指す。 本研究は,各ショートカット群を暗黙的に校正し,疾患の有病率を設定することを示し,その結果,あるグループでは必ずしも過信であり,他方では過信であることを示した。
• 参考スコア（独自算出の注目度）: 1.8620637029128548
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Shortcut learning denotes the widespread situation in which a classifier exploits spurious correlations rather than diagnostic features. Existing mitigation strategies mostly aim to learn shortcut-invariant representations; their empirical success is limited and they cannot be applied to classifiers using frozen foundation model encoders. We propose to reframe shortcut learning as fundamentally a calibration problem: unconstrained learning implicitly calibrates each shortcut group to its training set disease prevalence, rendering the resulting classifier necessarily over-confident in one group and under-confident in the other. Building on this insight, we prevalence-equalize calibration between shortcut groups through two encoder-agnostic methods, an in-processing regularizer and a post-hoc prevalence-equalized recalibration step. Across chest-drain-pneumothorax benchmarks on CheXpert and SIIM-ACR, spanning fine-tuned CNNs and frozen foundation-model backbones, both methods substantially outperform all baselines. Post-hoc recalibration of a standard ERM-trained DenseNet raises misaligned-group AUROC from 0.23 to 0.73, indicating that shortcut reliance degrades the classification head rather than the underlying representation. Besides two new state-of-the-art shortcut mitigation approaches, our findings more fundamentally connect shortcut learning to calibration theory and algorithmic fairness.
• Abstract（参考訳）: ショートカット学習(英: Shortcut learning)とは、分類器が診断的特徴よりも突発的な相関を利用するという広い状況を指す。 既存の緩和戦略は主にショートカット不変表現を学習することを目的としており、その経験的成功は限られており、凍結基礎モデルエンコーダを用いた分類器には適用できない。 我々は,ショートカット学習を基本的に校正問題として再編成することを提案する。非制約学習は,各ショートカットグループを暗黙に校正し,そのトレーニングセットの病気の有病率を調整し,その結果の分類器を必ずしも1つのグループで過信し、もう1つのグループで過信し、もう1つのグループで過信している。 この知見に基づいて,2つのエンコーダに依存しない方法,処理内正規化器とポストホックの精度等化処理により,ショートカット群間のキャリブレーションの精度等化を行う。 CheXpert と SIIM-ACR の胸部気胸のベンチマークは、微調整された CNN と凍結された基礎モデルバックボーンにまたがって行われ、どちらの手法も全てのベースラインを大幅に上回っている。 標準のERM訓練DenseNetの再校正後、AUROCは0.23から0.73に誤整群を増し、ショートカット依存が下位表現よりも分類ヘッドを劣化させることを示す。 2つの新しい最先端のショートカット緩和アプローチに加えて、我々の研究結果は、ショートカット学習をキャリブレーション理論とアルゴリズムフェアネスに根本的に結び付けている。

関連論文リスト

• Multimodal Learning on Low-Quality Data with Conformal Predictive Self-Calibration [72.0672328514289]
  マルチモーダル学習は、しばしば低品質データの課題に悩まされる。 コンフォーマル予測自己校正(Conformal Predictive Self-Calibration)と呼ばれる統合フレームワークを提案する。 私たちのフレームワークは、既存の最先端メソッドを一貫して上回ります。
  論文  参考訳（メタデータ） (2026-05-05T14:48:52Z)
• Mitigating Shortcut Learning via Feature Disentanglement in Medical Imaging: A Benchmark Study [6.364545942101905]
  機能障害はショートカット学習を緩和するための有望なアプローチである。 ショートカット緩和法は, 強い相関関係下での分類性能を向上した。 最高のパフォーマンスモデルは、データ中心のリバランシングとモデル中心のアンタングルメントを組み合わせる。
  論文  参考訳（メタデータ） (2026-02-17T10:51:58Z)
• Temper-Then-Tilt: Principled Unlearning for Generative Models through Tempering and Classifier Guidance [51.532841645285835]
  本研究では,タスクを目標分布に対する密度比推定としてフレーミングすることで,大規模生成モデルにおける機械学習について検討する。 左折集合がシャープで集中したデータ分布を表す場合、有限サンプルで忠実に解けないことを示す。 本稿では,基本モデルを凍結し,二段階の推論手法を適用したTemper-Then-Tilt Unlearning(T3-Unlearning)を提案する。
  論文  参考訳（メタデータ） (2026-02-10T19:08:40Z)
• Concept Regions Matter: Benchmarking CLIP with a New Cluster-Importance Approach [20.898059440239603]
  クラスタベースの概念重要度(CCI)は、新しい解釈可能性手法である。 CCIは、忠実度ベンチマークの新たな最先端を定めている。 今回,18種類のCLIPの包括的評価を行った。
  論文  参考訳（メタデータ） (2025-11-17T05:01:24Z)
• Hierarchical Self-Supervised Representation Learning for Depression Detection from Speech [51.14752758616364]
  音声による抑うつ検出 (SDD) は、従来の臨床評価に代わる有望で非侵襲的な代替手段である。 HAREN-CTCは,マルチタスク学習フレームワーク内でのクロスアテンションを用いて,多層SSL機能を統合した新しいアーキテクチャである。 このモデルはDAIC-WOZで0.81、MODMAで0.82の最先端マクロF1スコアを達成し、両方の評価シナリオで先行手法より優れている。
  論文  参考訳（メタデータ） (2025-10-05T09:32:12Z)
• Self-Supervised Contrastive Learning is Approximately Supervised Contrastive Learning [48.11265601808718]
  標準的な自己指導型コントラスト学習目標が暗黙的に教師付き変種を近似することを示し,我々は負のみ教師付きコントラスト学習損失(NSCL)と呼ぶ。 ラベルに依存しない,アーキテクチャに依存しない境界の下で,意味クラスの数が増えるにつれて,CLとNSCLの損失のギャップが消滅することを証明する。
  論文  参考訳（メタデータ） (2025-06-04T19:43:36Z)
• Rethinking Early Stopping: Refine, Then Calibrate [49.966899634962374]
  キャリブレーション・リファインメント分解の新規な変分定式化について述べる。 我々は,校正誤差と精錬誤差が訓練中に同時に最小化されないという理論的,実証的な証拠を提供する。
  論文  参考訳（メタデータ） (2025-01-31T15:03:54Z)
• Rethinking Classifier Re-Training in Long-Tailed Recognition: A Simple Logits Retargeting Approach [102.0769560460338]
  我々は,クラスごとのサンプル数に関する事前知識を必要とせず,シンプルなロジットアプローチ(LORT)を開発した。 提案手法は,CIFAR100-LT, ImageNet-LT, iNaturalist 2018など,様々な不均衡データセットの最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-03-01T03:27:08Z)
• Classifier Calibration with ROC-Regularized Isotonic Regression [0.0]
  等方性回帰を用いてモノトン変換による校正集合上のクロスエントロピーを最小化する。 IRは適応的なバイナリ処理として機能し、キャリブレーション誤差をゼロにすることができるが、性能への影響は未解決である。 この一般単調な基準は、クロスエントロピー損失の低減と校正セットの過度な適合の回避のバランスを打つのに有効であることを示す。
  論文  参考訳（メタデータ） (2023-11-21T08:45:09Z)
• Label-Imbalanced and Group-Sensitive Classification under Overparameterization [32.923780772605596]
  ラベルの不均衡でグループに敏感な分類は、関連するメトリクスを最適化するための標準トレーニングアルゴリズムを適切に修正することを目指す。 標準実証的リスク最小化に対するロジット調整による損失修正は,一般的には効果がない可能性がある。 本研究では, 2つの共通する不均衡(ラベル/グループ)を統一的に処理し, 敏感群の二値分類に自然に適用できることを示した。
  論文  参考訳（メタデータ） (2021-03-02T08:09:43Z)
• Few-shot Action Recognition with Prototype-centered Attentive Learning [88.10852114988829]
  2つの新しい構成要素からなるプロトタイプ中心型注意学習(pal)モデル。 まず,従来のクエリ中心学習目標を補完するために,プロトタイプ中心のコントラスト学習損失を導入する。 第二に、PALは注意深いハイブリッド学習機構を統合しており、アウトレーヤの負の影響を最小限に抑えることができる。
  論文  参考訳（メタデータ） (2021-01-20T11:48:12Z)

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。