面向图像分类的交叉属性偏见数据驱动分析：基于偏见加权增强的框架

在不平衡数据集上训练的机器学习模型常因多个属性（如对象类别与环境条件）的交互作用而产生系统性偏见。本文提出了一套数据驱动的框架，用于分析和缓解图像分类中的交叉属性偏见。我们引入了交叉属性公平性评估框架 (IFEF)，该框架将定量公平性指标与可解释性工具相结合，系统性地识别模型预测中的偏见模式。基于此分析，我们提出了偏见加权增强策略 (BWA)，该策略根据子群分布统计信息调整数据增强的强度。实验在 Open Images V7 数据集上进行，包含五个对象类别。结果表明，BWA 可使底层不平衡类别-环境交叉的准确率提升最高可达 24 个百分点，公平性指标差距缩小 35%。多次独立实验的统计分析确认改进具有显著性 (p<0.05)。我们的 methodology 提供了一套可复制的方案，用于分析和解决图像分类系统中的交叉属性偏见。