基于概念图的视觉数据诊断与去偏
计算机视觉与模式识别
2024-11-12 v2 人工智能
摘要
当今深度学习模型的广泛成功归功于规模庞大且结构复杂的数据集的精心构建。然而，这些模型在训练过程中常会捕捉到数据中内在的偏差，导致预测不可靠。因此，对数据集进行诊断与去偏是确保可靠模型性能的必要条件。本文提出了 ConBias，一个用于诊断和缓解视觉数据集中概念共现偏差的新型框架。ConBias 将视觉数据集表示为概念知识图，从而实现对数据集整体上潜在概念共现的细致分析，以发现概念之间的不平衡。此外，我们展示，通过采用基于 Clique 的概念平衡策略，可以缓解这些不平衡，从而提升下游任务的性能。广泛实验表明，基于 ConBias 实现的概念分布平衡数据增强，相较于现有方法，在多个数据集上显著提升了泛化性能。
引用
@article{arxiv.2409.18055,
title = {Visual Data Diagnosis and Debiasing with Concept Graphs},
author = {Rwiddhi Chakraborty and Yinong Wang and Jialu Gao and Runkai Zheng and Cheng Zhang and Fernando De la Torre},
journal= {arXiv preprint arXiv:2409.18055},
year = {2024}
}