面向去偏学习的细粒度类条件分布平衡
计算机视觉与模式识别
2026-05-05 v2
摘要
在存在虚假关联的情况下实现群体鲁棒的泛化仍是一个重要挑战，尤其是当偏置注释不可用时。最近的研究表明，类条件分布平衡（CCDB）可从类条件分布与偏置属性的边际分布之间的不匹配中引出虚假关联。他们通过以偏置不敏感的方式进行简单的分布匹配来实现了令人期待的结果。然而，CCDB 采用单个高斯近似每个分布，这在现实应用中过于简化且很少成立。为此，本文提出了一种新的多阶段数据选择性再训练策略（MST），该策略使用硬混淆矩阵对每个分布进行更详细的描述。基于这些更细致的描述，我们提出了 CCDB 的细粒度变体，称为 FG-CCDB，通过更精确的混淆单元级重新加权来增强分布匹配。FG-CCDB 从全局视角学习样本权重，在不产生显著存储或计算开销的情况下有效缓解了虚假关联。大量实验表明，MST 是 ground-truth 偏置注释的可靠代理，并且可以无缝集成到偏置监督方法中。此外，当与 FG-CCDB 结合时，我们的方法在二分类任务上与偏置监督方法持平，并在高度偏置的多分类和多捷径场景中显著超越它们。
引用
@article{arxiv.2505.06831,
title = {Fine-Grained Class-Conditional Distribution Balancing for Debiased Learning},
author = {Miaoyun Zhao and Qiang Zhang},
journal= {arXiv preprint arXiv:2505.06831},
year = {2026}
}