BiaSwap: إزالة تحيز مجموعة البيانات باستخدام تبادل التحسين المخصص للتحيز

غالبًا ما تتخذ الشبكات العصبية العميقة قراراتها بناءً على الارتباطات الخادعة المتأصلة في مجموعة البيانات، مما يعيق قدرتها على التعميم في توزيع بيانات غير متحيزة. رغم أن النهج السابقة تحدد نوع التحيز في مجموعة البيانات لمنع الشبكة من تعلم هذا التحيز، فإن تحديد نوع التحيز في مجموعة البيانات الحقيقية غالبًا ما يكون صعبًا للغاية. يقترح هذا البحث نهجًا جديدًا يستند إلى تعديل مخصص للتحيز، وهو BiaSwap (بياسواب)، لتعلم تمثيلات خالية من التحيز دون الحاجة إلى إشراف على نوع التحيز. بفرض أن التحيز يتوافق مع السمات التي يمكن تعلمها بسهولة، نقوم بفرز الصور التدريبية بناءً على مدى استفادة تصنيف متحيز منها كطريق مختصر ونقسمها إلى عينات مرشدة للتحيز وعينات مضادة للتحيز بطريقة غير مراقبة.بعد ذلك، ندمج وحدة نقل الأسلوب من نموذج ترجمة الصور مع خرائط التنشيط الفئوي للتوصيف المتحيز، مما يمكّن من نقل السمات المتحيزة التي تعلمها التوصيف بشكل أساسي. وبالتالي، عند تقديم زوج من العينات المرشدة للتحيز والعينات المضادة لها، يقوم BiaSwap (بياسواب) بإنشاء صورة معدلة للتحيز تحتوي على سمات التحيز من الصور المضادة للتحيز بينما تحتفظ بالسمات غير المتعلقة بالتحيز في الصور المرشدة له.عند استخدام هذه الصور المعززة، يظهر BiaSwap (بياسواب) أداءً فائقًا في إزالة التحيز مقارنة بالأسس الموجودة على كلٍ من مجموعات البيانات الاصطناعية والحقيقية. وحتى بدون إشراف دقيق على التحيز، حقق BiaSwap (بياسواب) أداءً ملحوظًا في كلٍ من العينات غير المتحيزة والعينات المرشدة للتحيز، مما يشير إلى تحسين قدرة النموذج على التعميم.