OSCAR：基于序数评分相关性在像素空间定位捷径学习的归因表示
计算机视觉与模式识别
2025-12-23 v1
摘要
深度神经网络常常会利用捷径。这些是与输出标签相关但与任务语义无关的虚假线索。在捷径特征与敏感属性相关时，捷径学习可能导致模型性能偏差。现有方法大多基于定性、图像级别的检查，假设线索是可见的，这限制了其在医学成像等领域的应用。我们引入 OSCAR（Ordinal Scoring Correlations for Attribution Representations），一个用于量化捷径学习并定位捷径特征的模型无关框架。OSCAR 将图像级别任务归因图转换为图像区域的数据级别排序轮廓，并在三个模型之间进行比较：平衡基线模型（BA）、测试模型（TS）和敏感属性预测器（SA）。通过计算这些排序轮廓上的两两、部分和偏差相关性，我们产生一组量化指标，描述 TS 依赖捷径的程度，同时给出贡献最多于捷径的图像级别区域排名。在 CelebA、CheXpert 和 ADNI 上进行的实验表明：(i) 我们的相关性在随机种子和数据划分间稳定；(ii) 对捷径特征与输出标签在训练数据中关联程度敏感；(iii) 能够区分局部化捷径特征与扩散型捷径特征。作为本方法实用性的一个示例，我们展示了如何通过识别的捷径区域进行简单的测试时衰减方法，从而缩小最差组性能差异。OSCAR 提供了一个轻量级的像素空间审计，产生统计决策规则和空间图，使用户能够测试、定位和缓解捷径依赖。代码已公开于 https://github.com/acharaakshit/oscar。
引用
@article{arxiv.2512.18888,
title = {Localising Shortcut Learning in Pixel Space via Ordinal Scoring Correlations for Attribution Representations (OSCAR)},
author = {Akshit Achara and Peter Triantafillou and Esther Puyol-Antón and Alexander Hammers and Andrew P. King},
journal= {arXiv preprint arXiv:2512.18888},
year = {2025}
}