Open yiskw713 opened 4 years ago
Yi Li et al.
UC San Diego
CVPR2019
pdf 実装
データセットにおける representation bias を取り除くためのデータセットのリサンプリングアルゴリズムである REPAIRを提案. reweighting の元でバイアスを最小化するための,データセットのexample-level の重みを学習する. この重みを元にデータセットをリサンプリングする(データセットの一部のみを利用する)ことで,representation biasを減らすことが可能.
representation bias に関して調査し,REPresentAtion bIas Removal (REPAIR) というデータセットの representation bias を取り除くための手順を提案した論文. この手順では最適化問題としてバイアスの最小化を行っていて,特徴表現に基づいて簡単なサンプルに対してペナルティを与えるような重みの分布を求めている. 次に,新たに重み付けされたデータセットにおける分類ロスと,正解クラスのラベルの不確実性の比率を最大化することで,バイアスの削減が行われる. これは,確立的勾配効果方を用いて分類器のパラメータと,データセットのリサンプリングの重みを交互に更新することによって,REPAIRが解くmini-max問題である.
特定の特徴表現に対し,データセットのバイアス,および認識モデルに対するバイアスによるパフォーマンスへの影響を測定するための実験も提案されている. 実験では,REPAIRがrepresentation bias を削減し,汎化性能の向上に役立つことが示されている.
Apr. 13th, 2020
INFO
author
Yi Li et al.
affiliation
UC San Diego
conference or year
CVPR2019
link
pdf 実装
一言で
データセットにおける representation bias を取り除くためのデータセットのリサンプリングアルゴリズムである REPAIRを提案. reweighting の元でバイアスを最小化するための,データセットのexample-level の重みを学習する. この重みを元にデータセットをリサンプリングする(データセットの一部のみを利用する)ことで,representation biasを減らすことが可能.
概要
representation bias に関して調査し,REPresentAtion bIas Removal (REPAIR) というデータセットの representation bias を取り除くための手順を提案した論文. この手順では最適化問題としてバイアスの最小化を行っていて,特徴表現に基づいて簡単なサンプルに対してペナルティを与えるような重みの分布を求めている. 次に,新たに重み付けされたデータセットにおける分類ロスと,正解クラスのラベルの不確実性の比率を最大化することで,バイアスの削減が行われる. これは,確立的勾配効果方を用いて分類器のパラメータと,データセットのリサンプリングの重みを交互に更新することによって,REPAIRが解くmini-max問題である.
特定の特徴表現に対し,データセットのバイアス,および認識モデルに対するバイアスによるパフォーマンスへの影響を測定するための実験も提案されている. 実験では,REPAIRがrepresentation bias を削減し,汎化性能の向上に役立つことが示されている.
提案手法
検証
新規性
議論,展望
Comment
date
Apr. 13th, 2020