在视觉空间具有组合性的事实的基础上，通过提出模块化体系结构，使得在给定一些元语变之后，模型可以推广到这些元语变的组合中，以实现组合稳健性。

Jun, 2023

这项研究提出了一个修订的方法来在完全无偏见的情况下进行训练和验证无偏见模型，通过采用预训练的自监督模型可靠地提取偏见信息，并与我们的验证准则结合使用逻辑调整训练损失函数。我们的实证分析证明了我们的方法克服了所发现的挑战，始终提高了鲁棒准确性，达到与或优于依赖偏见标签进行验证的最先进方法的性能。

Oct, 2023

提出了一种无需训练预料特征标签的对抗学习方法 Contrast-Correction (CNC)，用于改善机器学习中因虚假相关性而导致的误差，通过新引入的表示对齐损失和最差组误差之间的对应关系，CNC 在有些基准数据集上表现优于其他方法。

Mar, 2022

描述了一种利用因果思想构建复合泛化的方式，并建议将零样本推理视为查找 “哪种干预导致了图像？”; 提出了一种因果启发的嵌入模型，该模型从相关（混淆）训练数据中学习可视对象的基本部分的分解表示，用于预测属性 - 对象对的新组合。 在两个数据集上进行评估，结果比强基准方法有所改善。

Jun, 2020

通过评估使用权重调整、强正则化和组鲁棒性训练等方法训练的模型，重训练模型的方法在多个视觉和 NLP 问题中表现出与其他方法相似的结果，表明无需过度正则化即可学习高质量的特征表示。

Oct, 2022

通过准确推断群体标签，以改善最差群体性能，我们提出了一种新方法 GIC，它通过基于两个关键属性的虚假相关性对其进行分类器训练，多个数据集上的实证研究证明了 GIC 推断群体标签的有效性，并将其与多种下游不变性学习方法结合，提高了最差群体准确性，展示了其强大的灵活性。此外，通过分析 GIC 中的误分类，我们还发现了称为语义一致性的有趣现象，可能有助于解耦虚假属性与标签之间的关联，从而减轻虚假相关性。

Apr, 2024

该研究试图将深度卷积神经网络与组合模型相结合，以解决当前计算机视觉领域的一个基本问题：在高识别性的同时识别部分遮挡的物体。研究者提出了一种学习两步法，即训练标准 DCNN 进行图像分类，然后将 DCNN 特征聚类成字典，并建议用组合模型混合以解决空间激活模式的重要变化问题。该研究表明，组合模型与 DCNNs 的结合解决了当今深度学习方法在计算机视觉中的基本问题，即在未曾接受训练的情况下识别部分遮挡的物体，同时对不发生遮挡的物体保持高识别性能。

May, 2019

在这项工作中，我们介绍了第一个端到端训练框架，该框架同时整合了（i）用于避免附着在假象相关性上的流行去偏置分类器（例如分布鲁棒优化（DRO））和（ii）用于揭示与任务相关的可推广成像标记的反事实图像生成。此外，我们提出了一种新的度量标准，即假象相关性附着分数（SCLS），用于量化分类器依赖假象相关性的程度，该程度由反事实图像揭示。通过对两个公共数据集进行全面实验（包括模拟和真实视觉伪迹），我们证明了去偏置方法：（i）能够学习到可推广的标记，并且（ii）成功忽略假象相关性，专注于潜在的疾病病理。

Aug, 2023

本文提出了一种图像分解的方法，使用 Diffusion 模型进行无监督训练，从而推断出图像中的各种组成部分，并展示了如何使用这些组成部分灵活地生成不同于训练时的场景。

Jun, 2024

我们提出了一种名为 Decomposer 的半监督重建模型，它将失真的图像序列分解为它们的基本构建块 - 原始图像和应用的增强，例如阴影、光线和遮挡。

Nov, 2023