BAdd：通过偏见添加实现偏见缓解
计算机视觉与模式识别
2024-08-22 v1
摘要
计算机视觉（CV）数据集通常表现出由深度学习模型延续的偏差。尽管近期的努力旨在缓解这些偏差并促进公平表征，但它们在复杂的现实场景中失败了。特别是，现有方法在涉及单属性注入偏差的基准测试的对照实验中表现出色，但在成熟 CV 数据集中存在的多属性偏差方面却表现不佳。在此，我们提出 BAdd，一种简单而有效的方法，通过将表示这些属性的特征融入主干网络，实现学习对引入偏差的属性具有不变性的公平表征。BAdd 在七个基准测试上进行了评估，表现出具有竞争力的性能，在单属性和多属性基准测试上均超越了最先进的方法。值得注意的是，BAdd 在具有挑战性的多属性基准测试 FB-Biased-MNIST 和 CelebA 上分别实现了 +27.5% 和 +5.5% 的绝对准确率提升。
引用
@article{arxiv.2408.11439,
title = {BAdd: Bias Mitigation through Bias Addition},
author = {Ioannis Sarridis and Christos Koutlis and Symeon Papadopoulos and Christos Diou},
journal= {arXiv preprint arXiv:2408.11439},
year = {2024}
}