用于捷径移除与生成的快速基于扩散的反事实

捷径学习是指模型（例如心脏病分类器）利用目标标签与虚假捷径特征（例如起搏器）之间的相关性，基于捷径而非真正的判别性特征来预测目标标签。这在医学成像中很常见，其中治疗和临床注释与疾病标签相关，使其成为预测疾病的容易捷径。我们提出了一种通过快速基于扩散的反事实图像生成来检测和量化潜在捷径特征影响的新方法，该方法可以合成地移除或添加捷径。通过一种新颖的基于修复的修改，我们在空间上限制了所做的更改且无需额外的推理步骤，鼓励移除空间受限的捷径特征，同时确保无捷径的反事实在很大程度上保留其剩余的图像特征。利用这些，我们评估了捷径特征如何影响模型预测。这得益于我们的第二个贡献：一种高效的基于扩散的反事实解释方法，在与最先进方法相当的图像质量下显著加快了推理速度。我们在两个大型胸部 X 射线数据集、一个皮肤病变数据集和 CelebA 上证实了这一点。我们的代码公开于 fastdime.compute.dtu.dk。