以火攻火：基于生成式偏置变换且无需无偏数据的对比去偏方法
机器学习
2023-07-06 v2
摘要
深度神经网络（DNNs）尽管具有对过容量网络的泛化能力，但在判别任务中常严重依赖恶性偏置作为捷径，而非任务相关信息。为解决此问题，近期研究利用与偏置相关的辅助信息（实践中很少可获得），或筛选少量无偏样本以去偏。然而，由于未满足的假设，这些方法的成功并非总能得到保证。在本文中，我们提出一种新颖方法——基于生成式偏置变换的对比去偏（CDvG），其无需显式偏置标签或无偏样本即可工作。受我们观察的启发，即不仅判别模型，图像翻译模型也倾向于关注恶性偏置，CDvG采用图像翻译模型将一种偏置模式转换为另一种，同时保留任务相关信息。此外，通过对比学习将偏置变换视图相互对立，以学习偏置不变表示。我们的方法展现出优于先前方法的性能，尤其在无偏样本稀缺或缺失时。此外，如多样实验结果所示，CDvG能够以即插即用的方式与方法（专注于无偏样本）集成以实现额外增强。
引用
@article{arxiv.2112.01021,
title = {Fighting Fire with Fire: Contrastive Debiasing without Bias-free Data via Generative Bias-transformation},
author = {Yeonsung Jung and Hajin Shim and June Yong Yang and Eunho Yang},
journal= {arXiv preprint arXiv:2112.01021},
year = {2023}
}