情境可靠性：当不同特征在不同情境下起作用

深度神经网络经常因依赖虚假相关性而发生灾难性失败。大多数先前工作假设可将特征清晰二分为虚假特征与可靠特征；然而这往往不切实际。例如，大多数时候我们不希望自动驾驶汽车简单地复制周围车辆的速度——若邻车闯红灯，我们不希望自己的车也闯红灯。然而，我们不能简单地强制对相邻车道速度保持不变性，因为它可能提供关于人行横道上不可观测行人的有价值信息。因此，普遍忽略那些有时（但并非总是）可靠的特征会导致非鲁棒的性能。我们形式化了一种称为情境可靠性（contextual reliability）的新设定，该设定考虑到“正确”的使用特征可能随情境而变化这一事实。我们提出并分析了一个称为显式非虚假特征预测（ENP）的两阶段框架，该框架首先识别给定情境下应使用的相关特征，然后训练模型仅依赖这些特征。我们的工作在理论与实证上展示了ENP相对于现有方法的优势，并为情境可靠性提供了新的基准。