通过快速扩散基于反事实的图像生成和基于修补的修改方法，我们检测和量化潜在的捷径特征对模型预测的影响。我们通过在两个大型胸部 X 射线数据集、一个皮肤病损数据集和 CelebA 上确认，验证了我们的方法在推理速度显著提升、图像质量与最先进技术可比的同时的有效性。

Dec, 2023

机器学习模型中，为了解决与种族和性别等社会属性相关的公平性风险问题，我们提出了一种名为 "Shortcut Debiasing" 的方法，通过设计控制性的替代特征来代替偏见特征，在训练阶段利用这些特征来提高目标任务的学习，并在推断阶段通过干预来消除这些特征，从而在准确性和公平性方面实现了显著改善。

Aug, 2023

自我监督视觉表示学习中，通过预训练任务训练特征提取器，提出了使用 lens 网络来减少对抗攻击漏洞，通过对图片进行微小修改，最大限度地减少了自我监督学习中的 “捷径” 特征的影响。

Feb, 2020

本文研究深度神经网络中数据集偏差对任务的影响。通过具体分析特征和标签之间的虚假相关性的来源，本文提出了一种训练策略，即通过量化偏置的程度来调整偏置示例的权重，以减少模型过度依赖数据集偏差的情况，并在 QM 和 NLI 任务上得到了表现的提高。

May, 2022

设计了一种方法来通过加入机器学习快捷方式来防止网络爬虫，使得采集的数据无法使用，同时在人类感知中很难察觉，以此作为对非法数据采集的积极保护。

Oct, 2023

提出了一种不变因果表示学习 (iCaRL) 方法，通过利用广义指数族分布得出数据表示，可以在非线性场景中实现超出分布的泛化，并发现目标的全部直接原因，针对合成和真实数据集提出性能优于基线方法的实验结果。

Feb, 2021

该研究探讨了如何使用 BagNet 模型作为黑盒模型的代理，通过其内部的可解释性来检测神经网络的非语义决策，以减少机器学习模型在危险应用中存在的风险。

Apr, 2021

研究深度神经网络在超出分布数据的泛化失败问题，提出使用互信息作为度量标准，监测快捷学习现象。

Jun, 2022

研究通过探索临床注释以及数据集中的零补齐卷积和中心裁剪训练集等因素如何无意中成为快捷方式对医学图像分割准确性产生影响，并确定并评估了两个常见的医学图像分割任务中的快捷方式学习。此外，提出了减轻快捷方式学习影响、提高分割模型普适性的策略，并为评估和克服医学图像分割中普遍存在的挑战提供了见解和方法。

Mar, 2024

通过提出具有多个偏差的数据集和评估集，研究了计算机视觉模型在存在多个捷径时的表现，并提出了一个简单而有效的方法，可以在不引起 “打地鼠” 问题的情况下解决多个捷径问题。

Dec, 2022