免费的伪相关性排序：一种基于目标检测的末层重训练简单框架
计算机视觉与模式识别
2023-11-02 v1 机器学习
摘要
深度神经网络在各个领域展现出卓越性能。然而，这些模型对伪相关特征的依赖引发了对其可靠性的担忧。一个有前景的解决方案是末层重训练，即在不含伪线索的一小部分数据上重新训练线性分类头。然而，该子集的选取需要人工监督，降低了其可扩展性。此外，所选子集中仍可能存在伪线索。作为该问题的一种解决方案，我们提出了一种新颖的排序框架，利用开放词汇目标检测技术来识别不含伪线索的图像。具体而言，我们使用目标检测器作为度量，对图像中目标对象的存在进行打分。接着，图像依据该分数排序，模型的末层在得分最高的数据子集上重训练。我们在 ImageNet-1k 数据集上的实验证明了该排序框架在依据伪相关性对图像排序并将其用于末层重训练方面的有效性。
引用
@article{arxiv.2311.00079,
title = {Spuriosity Rankings for Free: A Simple Framework for Last Layer Retraining Based on Object Detection},
author = {Mohammad Azizmalayeri and Reza Abbasi and Amir Hosein Haji Mohammad rezaie and Reihaneh Zohrabi and Mahdi Amiri and Mohammad Taghi Manzuri and Mohammad Hossein Rohban},
journal= {arXiv preprint arXiv:2311.00079},
year = {2023}
}
备注
Accepted at ICML 2023 Workshop on Spurious Correlations, Invariance, and Stability (SCIS)