論文の概要: BiasFlow: Geometric Monitoring and Backbone Regularization for Spurious Feature Reliance

• arxiv url: http://arxiv.org/abs/2610.06846v1
• Date: Mon, 05 Oct 2026 17:59:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 22:08:18.099184
• Title: BiasFlow: Geometric Monitoring and Backbone Regularization for Spurious Feature Reliance
• Title（参考訳）: BiasFlow:スプリアス機能信頼性のための幾何学的モニタリングとバックボーン規則化
• Abstract要約: WGA(Worst-group accuracy)は、訓練された予測器を評価するが、新しい頭部が学習されると、その背骨がどのように振る舞うかを特徴付けるものではない。 我々は、クラス属性のセントロイドアライメントを監視するフックベースのツールキットであるBiasFlowを紹介した。 これらの診断とBiasFlow Regularization (BFR) を併用し, 教師付き, 構成可能なクラス・コンディショナル・セントロイド・アライメント・ペナルティを施行した。
• 参考スコア（独自算出の注目度）: 8.893720035863193
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Worst-group accuracy (WGA) evaluates a trained predictor but does not characterize how its frozen backbone behaves when a new head is learned. We introduce BiasFlow, a hook-based toolkit for monitoring class-attribute centroid alignment (IBMI), within-class centroid separation (W-IBMI), and feature-projection sensitivity. IBMI is confounded by class-attribute correlation and is not a measure of causal feature reliance. We pair these diagnostics with BiasFlow Regularization (BFR), a supervised, composable class-conditional centroid-alignment penalty. W-IBMI verifies the quantity BFR optimizes; it is scale dependent and does not independently establish attribute removal. Across the reported small-scale benchmarks, adding BFR improves or preserves mean WGA, with gains up to +26.0 pp on UrbanCars. The principal independent stress test freezes CelebA-Std backbones and trains fresh heads on biased data: BFR+GroupDRO improves WGA from 40.7% to 64.1%, while Male probe accuracy decreases from 92.5% to 72.2%. Attribute information remains recoverable, and cross-task results are mixed. A controlled synthetic-watermark ImageNet experiment additionally improves watermark-shift accuracy by +23.0 pp under matched training. These results support evaluating centroid geometry and resistance to biased head retraining alongside WGA, within the tested protocols.
• Abstract（参考訳）: 最悪のグループ精度(WGA)は、訓練された予測器を評価するが、新しい頭部が学習されると、その凍結したバックボーンがどのように振る舞うかを特徴付けない。 我々は、クラス属性セントロイドアライメント(IBMI)、クラス内セントロイド分離(W-IBMI)、機能投影感度を監視するフックベースのツールキットであるBiasFlowを紹介する。 IBMIはクラス属性相関によって構築されており、因果的特徴依存の尺度ではない。 これらの診断とBiasFlow Regularization (BFR) を併用し, 教師付き, 構成可能なクラス・コンディショナル・セントロイド・アライメント・ペナルティを施行した。 W-IBMIは、BFRが最適化する量を検証する。 報告された小規模ベンチマーク全体を通じて、BFRは平均的なWGAを改善したり保存したりし、UrbanCarsでは+26.0ppまで上昇する。 BFR+GroupDROはWGAを40.7%から64.1%に改善し、男性プローブの精度は92.5%から72.2%に低下する。 属性情報は回復可能であり、クロスタスクの結果が混合される。 制御された合成透かし画像Net実験は、一致したトレーニングで+23.0 ppで透かしシフト精度を向上する。 これらの結果は,テストプロトコル内において,偏りのある頭部再トレーニングに対する偏りと抵抗性を評価することを支援する。

関連論文リスト

• Leakage-Robust Evaluation and Data-Scale Sensitivity of Attention-Enhanced Multi-Task Learning for Joint Fault Diagnosis and Remaining Useful Life Estimation [0.0]
  マルチタスクディープラーニングモデルは、スライディングウィンドウシーケンスがトレーニングとテストセットにどのように分割されるかによって影響を受ける可能性がある。 ナイーブな分割は、真の20-60%から99.9%に分類精度を低下させる可能性がある。 チャンクベース・リーク監査分割プロトコルを導入し,5種の種子,片方向ANOVA,Tukey HSDテストを用いて全モデルを評価した。
  論文  参考訳（メタデータ） (2026-07-17T20:33:36Z)
• Multi-Label Test-Time Adaptation with Bayesian Conditional Priors [15.878958356965159]
  Conditional Priors Estimation (BCP) は、バックボーンをチューニングせずにラベル依存性を注入する勾配のないテスト時間適応法である。 BCPは、未ラベルのテストストリームからアンカー条件の事前値をオンラインで推定することで、ターゲットアノテーションなしで動作します。 BCPは、標準のマルチラベルベンチマークと複数のCLIPバックボーンで、強力なTTAベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-06-11T05:29:00Z)
• 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)
• DADF: A Distribution-Aware Debiasing Framework for Watch-Time Regression in Recommender Systems [49.99655020662206]
  DADFは、ウォッチタイムレグレッションのための分散対応のデバイアスフレームワークである。 公開ショートビデオベンチマークと大規模産業ランキングシステムを用いたDADFの評価を行った。
  論文  参考訳（メタデータ） (2026-05-18T05:14:50Z)
• Classification-Head Bias in Class-Level Machine Unlearning: Diagnosis, Mitigation, and Evaluation [0.7991370731695461]
  クラスレベルのマシンアンラーニングは、モデルユーティリティを保持しながら、特定のクラスの影響を取り除くことを目的としている。 既存の手法は、保持セット精度、忘れセット精度、未学習時間によって一般に評価される。 我々は,クラスレベルの未学習において,バイアスに支配されるショートカットを明らかにし,最終分類ヘッドの対応するバイアス項を減少させることで,忘れられたクラスの予測を抑えることができる。
  論文  参考訳（メタデータ） (2026-05-09T06:33:42Z)
• Learning from Emptiness: De-biasing Listwise Rerankers with Content-Agnostic Probability Calibration [76.08899010904652]
  CapCalは、ランキング決定から位置バイアスを機械的に分離する、トレーニング不要のフレームワークである。 シングルパス効率を保ちながら、トレーニング不要の手法で優れた性能を発揮する。
  論文  参考訳（メタデータ） (2026-04-11T10:47:22Z)
• CARE What Fails: Contrastive Anchored-REflection for Verifiable Multimodal [84.71254539482369]
  検証可能な報酬を伴うグループ相対的強化学習(RLVR)は、しばしば、すでに失敗している最も情報に富むデータを浪費する。 エラーを監督するマルチモーダル推論のための,障害中心のポストトレーニングフレームワークであるCAREを提案する。 CAREは正確さを改善し、スムーズさをトレーニングすると同時に、障害からの学習信号のシェアを明示的に増やします。
  論文  参考訳（メタデータ） (2025-12-22T16:34:21Z)
• 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)
• FedGA: Federated Learning with Gradient Alignment for Error Asymmetry Mitigation [5.3663750040721085]
  フェデレートラーニング(FL)は、クライアント内およびクライアント間クラス不均衡を引き起こす。 我々は、FedGAと呼ばれる勾配アライメント(GA)インフォームドFL法を提案する。
  論文  参考訳（メタデータ） (2024-12-21T11:15:20Z)
• Incorporating Semi-Supervised and Positive-Unlabeled Learning for Boosting Full Reference Image Quality Assessment [73.61888777504377]
  フル参照(FR)画像品質評価(IQA)は、その知覚的差異をプリズム品質基準で測定することにより、歪み画像の視覚的品質を評価する。 ラベルなしデータは、画像劣化または復元プロセスから容易に収集することができ、ラベルなしのトレーニングデータを利用してFR-IQA性能を高めることを奨励する。 本稿では, 半教師付き, 正の未ラベル学習(PU)を用いて, ラベルなしデータを活用し, オフレーヤの悪影響を軽減することを提案する。
  論文  参考訳（メタデータ） (2022-04-19T09:10:06Z)
• Unbiased Teacher for Semi-Supervised Object Detection [50.0087227400306]
  SS-OD(Semi-Supervised Object Detection)を再検討し,SS-ODにおける擬似ラベルバイアス問題を特定する。 学生と徐々に進歩する教師を相互に利益ある方法で共同で訓練するシンプルで効果的なアプローチであるUnbiased Teacherを紹介します。
  論文  参考訳（メタデータ） (2021-02-18T17:02:57Z)

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。