BiaSwap：使用定制偏差交换增强移除数据集偏见

ICCVAug, 2021

BiaSwap：使用定制偏差交换增强移除数据集偏见

BiaSwap: Removing dataset bias with bias-tailored swapping augmentation

Eungyeup Kim, Jihyeon Lee, Jaegul Choo

TL;DR本文提出了一种基于无监督学习和数据增强的方法，BiaSwap，用于学习去偏置特征的表示，通过样本排序和图像转换，能够生成包含去除偏置特征的图像，相比于现有的基线系统，在合成和真实数据集上都有更好的去偏置表现。

Abstract

deep neural networks often make decisions based on the spurious correlations inherent in the dataset, failing to generalize in an unbiased data distribution. Although previous approaches pre-define the type of dataset b

deep neural networks dataset bias debiasing unsupervised learning augmentation

发现论文，激发创造

通过解缠分特征增强学习无偏表示

本研究提出了一种基于特征级数据增广技术的去偏方法，通过使培训数据多样化，可以更有效地消除图像分类模型中偏见的影响。

Jul, 2021

面向视觉 - 语言数据集的报告偏见：通过解耦对象 - 属性关联进行双模态增强

通过双模态增强方法在视觉 - 语言数据集中解决报告偏倚问题，提升物体 - 属性理解并改善零样本检索任务效果。

Oct, 2023

深度学习中的数据增强与可解释性用于发现和减轻偏见

该论文探讨了深度神经网络中的偏见对模型性能的影响，并提出了降低其影响的方法。论文分为两个部分，第一部分关注机器学习流程中的偏见和错误，介绍了可解释人工智能的分类和方法，并提出了一种半自动数据探索方法用于发现潜在的数据偏见。第二部分重点讨论了降低偏见对机器学习模型影响的三种方法：样式迁移数据增强、针对性数据增强和归因反馈。这些方法的目标是减少偏见对机器学习模型的影响，而不是完全消除。

Aug, 2023

使用有偏表示学习没有偏见的表示

本文介绍了一种用于训练去偏置表示的新框架，通过鼓励其与一组从设计上存在偏差的表示不同来实现。该方法可在许多场景中使用，可以提高模型在不同类别中的泛化能力。

Oct, 2019

朝向准确性 - 公正性困境：基于对抗样本的数据增强用于视觉去偏差

研究机器学习中的公平性问题和图像分类任务中的去偏见问题，通过使用对抗性样本进行训练数据增强来实现模型的准确性和公平性。

Jul, 2020

通过研究偏差对比对的类别识别共同属性来增强内在特征进行去偏

通过为模型提供明确的空间引导，指示内在特征区域，本文提出了一种方法来增强相对未被充分利用的偏向特征，从而使模型在学习内在特征时得到指导。实验证明，我们的方法在具有不同程度偏见的合成和实际数据集上取得了最先进的性能。

Apr, 2024

强调打压偏见在去偏见中的重要性

本研究针对图像分类中的数据集偏差问题，提出了一种基于偏差模型 $f_B$ 的数据样本选择方法来增强偏差，有效提高了 $f_D$ 的训练效果。该方法适用于现有的基于重新加权的去偏差技术，并在合成和真实数据集上实现了最先进的性能。

May, 2022

使用熵对抗数据增强来超越偏见

该论文提出了一种对抗性数据增强的训练方案，以消除分类中的捷径，提高深度神经网络的鲁棒性，并在分类基准测试中取得了竞争力的结果。

Jan, 2023

通过去偏替换网络来识别和减轻未知偏差

提出了 DebiAN 方法来识别和减少深度图像分类器从数据集中学习到的偏见，该方法包括两个网络，一个 Discoverer 和一个 Classifier，旨在在没有任何偏见注释的情况下找到分类器的多个未知偏见。在现实世界的数据集上，DebiAN 发现的未知偏见可能难以被人类发现，且可实现强大的偏见缓解性能。

Jul, 2022

多项选择视觉问答及其之外的数据集偏差缓解

通过对视觉语言理解任务中的数据集偏差进行对抗数据合成和样本内反事实训练，提高模型的性能。

Oct, 2023