深層ニューラルネットワークはしばしばデータセットに内在する偽の相関に基づいて決定を下し、偏りのないデータ分布で一般化できないことがあります。従来の手法では、ネットワークがその偏りを学習しないようにするために、データセットの偏りの種類を事前に定義していましたが、実際のデータセットにおける偏りの種類を認識することはしばしば困難です。本論文では、偏りの種類に関する監督を必要とせずに、偏りを取り除いた表現を学習する新しいバイアス対応型拡張手法であるBiaSwap（バイアス交換）を提案します。偏りが学習しやすい属性に対応すると仮定し、訓練画像を偏った分類器がどの程度それらを利用できるかに基づいて並べ替え、非監督的にバイアスガイドサンプルとバイアス相反サンプルに分割します。その後、画像翻訳モデルのスタイル転送モジュールとそのような偏った分類器のクラス活性化マップを統合することで、主に分類器によって学習されたバイアス属性を転送することが可能になります。したがって、バイアスガイドとバイアス相反のペアが与えられた場合、BiaSwapはバイアス相反画像からバイアス属性を持ち込みつつ、バイアスガイド画像においてはバイアスに関連しない属性を保つようにして、バイアス交換画像を生成します。このような拡張画像を使用することで、BiaSwapは合成データセットおよび実世界データセットにおいて既存の基準モデルに対して優れたデバイアシング性能を示しています。また、慎重な監督なしでもBiaSwapは無偏サンプルおよびバイアスガイドサンプルにおいて顕著な性能を達成しており、これはモデルの一層高い汎化能力を示唆しています。