BiaSwap：利用偏置定制交换增强去除数据集偏置

深度神经网络常基于数据集中固有的虚假相关性做出决策，无法在无偏数据分布上泛化。尽管已有方法预先定义数据集偏置的类型以阻止网络学习该偏置，但在真实数据集中识别偏置类型通常难以实现。本文提出一种新颖的基于偏置定制增强的方法 BiaSwap，用于在无需偏置类型监督的情况下学习去偏置表示。假设偏置对应于易学属性，我们依据有偏分类器将其作为捷径利用的程度对训练图像排序，并以无监督方式将其划分为偏置引导样本与偏置相反样本。随后，我们将图像翻译模型的风格迁移模块与该有偏分类器的类激活图相整合，从而主要迁移分类器所学得的偏置属性。因此，给定偏置引导与偏置相反样本对，BiaSwap 生成偏置交换图像，其包含来自偏置相反图像的偏置属性，同时保留偏置引导图像中与偏置无关的属性。借助此类增强图像，BiaSwap 在合成与真实世界数据集上均展现出优于现有基线的去偏置性能。即便无细致的偏置监督，BiaSwap 在去偏置与偏置引导样本上均取得显著表现，意味着模型泛化能力的提升。