通过研究偏差对比对中的类别辨别共同属性增强内在特征以实现去偏

在图像分类任务中，深度神经网络经常依赖于与目标类虚假相关的偏差属性，导致在无偏差属性的数据上性能下降。去偏任务旨在迫使分类器学习真正定义目标类的内在属性，而不是关注偏差属性。虽然最近的方法主要侧重于强调学习无偏差属性的数据样本(即偏差冲突样本)相对于有偏差属性的样本(即偏差对齐样本)，但它们未能直接引导模型关注何处以学习内在特征。为了解决这一局限性，本文提出了一种方法，为模型提供指示内在特征区域的显式空间引导。我们首先通过研究偏差对齐(BA)样本和偏差冲突(BC)样本(即偏差对比对)之间的类别辨别共同特征来识别内在特征。接下来，我们增强BA样本中相对于BC样本未被充分利用的内在特征。为了在不使用偏差信息的情况下构建偏差对比对，我们引入了一个偏差负分数，该分数利用有偏模型区分BC样本和BA样本。实验表明，我们的方法在合成和真实世界数据集上，针对不同偏差严重程度，实现了最先进的性能。