DISCO：通过条件距离相关性缓解深度学习中的偏差
计算机视觉与模式识别
2025-09-23 v2 人工智能
机器学习
摘要
数据集偏差常导致深度学习模型利用虚假相关性而非任务相关信号。我们提出了标准反因果模型(SAM)，一个统一的因果框架，用于表征偏差机制并导出因果稳定性的条件独立性准则。基于该理论，我们提出了DISCO和sDISCO——高效且可扩展的条件距离相关性估计器，可在黑箱模型中实现独立性正则化。在五个不同数据集上，我们的方法始终优于或与现有偏差缓解方法相当，同时需要更少的超参数，并能无缝扩展到多偏差场景。本工作连接了因果理论与实用深度学习，为鲁棒预测提供了原理基础和有效工具。源代码：https://github.com/***.
引用
@article{arxiv.2506.11653,
title = {DISCO: Mitigating Bias in Deep Learning with Conditional Distance Correlation},
author = {Emre Kavak and Tom Nuno Wolf and Christian Wachinger},
journal= {arXiv preprint arXiv:2506.11653},
year = {2025}
}