BiasFlow提出几何监控与骨干正则化以缓解伪特征依赖
论文AI 评分 62/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
BiasFlow是一个基于hook的工具包，用于监控类属性质心对齐(IBMI)等指标，并配套提出有监督、可组合的BiasFlow正则化(BFR)。在UrbanCars上，加入BFR使最差组精度(WGA)最高提升26.0个百分点。在CelebA-Std骨干冻结重训头部的压力测试中，BFR结合GroupDRO将WGA从40.7%提至64.1%，同时Male探针精度从92.5%降至72.2%，表明属性信息仍可恢复。合成水印ImageNet实验中，水印偏移精度提升23.0个百分点。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载监控指标与正则化方法
BiasFlow作为基于hook的工具包，主要监控类属性质心对齐(IBMI)、类内质心分离(W-IBMI)及特征投影敏感性。其中IBMI受类属性相关性混淆，并非因果特征依赖的度量。配套的BiasFlow正则化(BFR)是一种有监督且可组合的类条件质心对齐惩罚项。W-IBMI用于验证BFR优化的量，其具有尺度依赖性，无法独立确立属性移除。
基准测试与精度提升
在小规模基准测试中，加入BFR能改善或保持平均最差组精度(WGA)。在UrbanCars数据集上，WGA增益最高达26.0个百分点。此外，在受控的合成水印ImageNet实验里，匹配训练条件下，水印偏移精度提升了23.0个百分点。这些结果支持在评估WGA的同时，应考察质心几何及对偏置头部重训的抵抗力。
骨干冻结压力测试
核心独立压力测试采用冻结CelebA-Std骨干并在偏置数据上训练新头部的设定。结果显示，BFR结合GroupDRO将WGA从40.7%提升至64.1%，同时Male探针精度从92.5%降至72.2%。这表明属性信息在骨干中依然可恢复，且跨任务结果表现不一，说明该方法在消除伪特征依赖方面仍存在局限性。
为什么值得看
提供监控与缓解模型伪特征依赖的新工具，在冻结骨干重训场景下显著提升最差组精度。
对齐
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。