公平性并非平坦：几何相位转移对抗捷足路径
机器学习
2026-04-14 v1 人工智能
摘要
深度神经网络高度易受到捷足学习的影响，常常记忆低维的虚假关联，而非底层因果机制。这种现象不仅降低了对抗分布鲁棒性，还在敏感应用中引发严重的人口偏见。在本文中，我们提出一种几何 a priori 方法来缓解捷足学习。通过部署零隐藏层(N=1)的拓扑审计器，我们在不依赖人工干预的情况下隔离占据梯度的特征。我们经验性地证明存在容量相位转移：一旦线性捷足被修剪，网络被迫利用更高的几何容量(N≥16)来曲线决策边界并学习伦理表征。我们的方法优于L1正则化——后者会导致人口偏见——且在Just Train Twice(JTT)等后验方法计算成本的分数时 successfully 降低了反事实性别脆弱性，从21.18%降至7.66%。
引用
@article{arxiv.2604.11704,
title = {Fairness is Not Flat: Geometric Phase Transitions Against Shortcut Learning},
author = {Nicolas Rodriguez-Alvarez and Fernando Rodriguez-Merino},
journal= {arXiv preprint arXiv:2604.11704},
year = {2026}
}