抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
厳しい相関は,ロバスト機械学習にとって大きな課題を提起する。経験的リスク最小化(ERM)で訓練されたモデルは,クラスラベルとスプリアス属性の間の相関に依存することを学習し,これらの相関のないデータグループで貧弱な性能をもたらす。これは,偽属性ラベルが利用できない場合,特に困難である。訓練属性ラベルなしの偽相関データの最悪グループ性能を改善するために,偽相関にロバストな表現を直接的に学習するためのコントラストアプローチである修正N-Contrast(CNC)を提案した。ERMモデルが良好な偽属性予測子であるので,CNCは(1)同じクラスだが異なる偽特徴を持つサンプルを同定するために訓練されたERMモデル出力を用いて,また(2)同じクラスサンプルに対して類似の表現を学習するための対比学習によるロバストモデルを訓練する。CNCをサポートするために,最悪グループ誤差とCNCが最小化することを目的とする表現アラインメント損失の間の新しい接続を導入した。最悪グループ誤差がアラインメント損失と密接に追跡し,クラス上のアラインメント損失がクラス最悪グループ対平均エラーギャップを上界することを証明した。一般的なベンチマークでは,CNCはアラインメント損失を劇的に減らし,平均絶対揚力3.6%で最先端の最悪グループ精度を達成する。また,CNCはグループラベルを必要とするオラクル法に匹敵する。【JST・京大機械翻訳】