BLADE：基于偏置关联的自适应去偏方法
计算机视觉与模式识别
2025-10-07 v1
摘要
神经网络已在诸多领域取得突破性进展，但仍面临一个关键缺陷：倾向于学习隐式偏置，即训练数据中某些属性与目标标签之间潜在的虚假关联。这些偏置往往更为常见且更易被学习，导致模型依赖于表面模式，而非实现任务所必需的特征以实现泛化。现有方法通常依赖强假设，例如对偏置的先验知识或获取与偏置冲突的样本，即与虚假关联相矛盾的样本，以此平衡偏置匹配的样本。然而，这些假设在实际应用中往往难以实现。我们提出BLADE（Bias-Linked Adaptive Debiasing），一种无需偏置先验知识或偏置冲突样本的生成式去偏框架。BLADE首先训练一个生成模型，在保持任务相关特征的同时，将图像在偏置域之间进行转换。随后，根据图像对偏置的敏感性，自适应地用其合成版本细化每个图像。为鼓励鲁棒表征，BLADE将图像与其偏置转换后的合成图像对齐——后者共享任务相关特征但在偏置方面不同，同时与共享相同偏置的样本错位。我们在多个基准数据集上进行评估，结果表明BLADE显著优于最先进的方法。在最差组设置下的受损 CIFAR-10 数据集上，BLADE 超越最近基线约达 18% 的绝对优势，建立了偏置缓解的新基准，展示了其在无需显式监督的情况下开发更鲁棒深度学习模型的潜力。
引用
@article{arxiv.2510.04174,
title = {BLADE: Bias-Linked Adaptive DEbiasing},
author = {Piyush Arora and Navlika Singh and Vasubhya Diwan and Pratik Mazumder},
journal= {arXiv preprint arXiv:2510.04174},
year = {2025}
}
备注
The authors have contributed equally