基于变分自编码器的捷径检测
机器学习
2023-07-24 v2 计算机视觉与模式识别
摘要
对于机器学习（ML）的实际应用，模型基于泛化良好的特征而非数据中的虚假相关性进行预测至关重要。此类虚假相关性（亦称捷径）的识别是一个具有挑战性的问题，迄今鲜有研究。本工作中，我们提出一种利用变分自编码器（VAEs）检测图像与音频数据集中捷径的新方法。VAEs潜空间中特征的解耦使我们能够发现数据集中的特征-目标相关性，并半自动地评估它们是否为ML捷径。我们在多个真实世界数据集上展示了方法的适用性，并识别出了此前未被发现的捷径。
引用
@article{arxiv.2302.04246,
title = {Shortcut Detection with Variational Autoencoders},
author = {Nicolas M. Müller and Simon Roschmann and Shahbaz Khan and Philip Sperl and Konstantin Böttinger},
journal= {arXiv preprint arXiv:2302.04246},
year = {2023}
}
备注
Accepted at the ICML 2023 Workshop on Spurious Correlations, Invariance and Stability