الشبكات العصبية غالباً ما تكون متحيزة نحو خصائص ذات صلة زائفة تقدم أدلة إحصائية مضللة لا تعمم. وهذا يثير سؤالاً مثيراً للاهتمام: "هل يمكن أن يوجد في شبكة متحيزة بشدة وظيفة فرعية مثلى وغير متحيزة؟ وإذا كان الأمر كذلك، كيف يمكن استخراج مثل هذه الشبكة الفرعية؟" بينما تم جمع أدلة تجريبية حول وجود مثل هذه الشبكات الفرعية غير المتحيزة، فإن هذه الملاحظات تعتمد بشكل أساسي على إرشاد العينات الحقيقية غير المتحيزة. وبالتالي، لم يتم استكشاف كيفية اكتشاف الشبكات الفرعية المثلى باستخدام مجموعات بيانات تدريب متحيزة في الممارسة العملية. للتعامل مع هذا، نقدم أولاً رؤيتنا النظرية التي تحذر من القيود المحتملة للخوارزميات الموجودة في استكشاف الشبكات الفرعية غير المتحيزة في ظل وجود علاقات زائفة قوية. ثم نوضح بشكل أكبر أهمية العينات المتعارضة مع التحيز في تعلم الهيكل. مستوحاة من هذه الملاحظات، نقترح خوارزمية تقليم الأوزان التباينية غير المتحيزة (Debiased Contrastive Weight Pruning - DCWP)، والتي تستكشف الشبكات الفرعية غير المتحيزة دون الحاجة إلى تصنيفات مجموعة باهظة الثمن. تظهر النتائج التجريبية أن نهجنا يتفوق بشكل كبير على أفضل طرق التحييد الحالية رغم تخفيضه الكبير في عدد المعاملات (parameters).