我们提出了一种减轻场景偏差从而实现视频表示学习的方法，通过在行动分类的交叉熵损失中增加场景类型的对抗性损失和关于人类角色面罩混淆的损失，来鼓励学习能够在没有证据时无法预测场景类型和正确的行动的表示。我们的结果表明，相对于没有进行去偏置处理的基准模型，我们的预训练模型在行动分类、时间定位和时空行动检测等三个不同任务上均得到了一致的提升。

Dec, 2019

通过使用一个去偏变分自编码器，在偏倚数据集上进行实验以缓解偏见，本研究探讨了一种消除偏见的方法，以在面部表情识别中平等对待每个人。

Dec, 2023

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

本文研究了在多模态分类系统中影响模型性能的模态偏差问题，通过构建两个基于 Out-of-Distribution 协议的数据集和提出一种自适应的 plug-and-play 损失函数方法，在彩色数字识别、视频动作识别和视觉问答三个任务上实现了明显的性能改进，证明了该方法在减少模态偏差问题方面的优越性。

Feb, 2022

本文提出了一个框架来度量和降低视觉识别任务中与保护变量（例如性别）有关的固有偏差。通过采用对抗性方法来从深度神经网络中去除受保护变量的不想要的特征，我们展示了该方法的有效性，并在两个数据集上进行了实验。实验结果表明，在保持准确性的情况下，本方法减少了性别偏见的放大。

Nov, 2018

通过提出稀疏的自适应器混合 (SMoA) 方法，可以更有效地解决多个数据集的偏差，进而提高自然语言推理和近义词鉴定任务的表现，并且 SMoA 方法的可解释性有助于捕捉训练数据中的特定模式并用来处理特定的偏差。

Feb, 2023

本文提出一种带有隐私保护机制的视频动作识别模型，通过敌对训练来寻找能够最佳平衡目标任务性能与隐私保护程度的匿名转换方法，并给出了两种优化策略以实现对于攻击模型的普适隐私保护。同时，构建了一种全新的视频数据集 PA-HMDB51，为视觉隐私研究提供了有力支持。

Jun, 2019

提出了两种新的评估方法来评估模型对训练和测试数据之间的分布差异的鲁棒性，通过采用梯度上升在数据增强参数上生成对分类模型具有挑战性的视频视图的增强视图，并通过 ' 课程 ' 调度视频增强的强度来解决鲁棒性问题。在现实世界的应用中，通过对比基准，在三种最先进的动作识别模型 - TSM、Video Swin Transformer 和 Uniformer 上实验表明了所提出的对抗性增强方法的优越性能，从而提高了视频动作识别性能。

Jan, 2024

本文探讨计算机视觉领域中，当进行看似不相关的任务（如活动识别或图像描述）训练时，模型学习偏见的问题，以及避免学习此类偏见的方法，并在 CelebA 数据集的属性分类任务中使用领域无关的训练技术，有效地减轻了现实世界中的性别偏见。

Nov, 2019

本文旨在探讨在视频动作检测中，除数据集规模外其他能够衡量数据集质量的属性，并且提出了一个新的，适用于真实世界应用的多演员多行为（MAMA）数据集，同时还对影响视频数据集的时间关系进行了相关性研究，进而发现现有方法存在偏见。

Apr, 2022