깊은 신경망은 종종 데이터셋에 내재된 허위 상관관계를 기반으로 결정을 내리며, 편향되지 않은 데이터 분포에서 일반화하는 데 실패합니다. 이전의 접근 방식들은 네트워크가 이러한 편향을 학습하지 않도록 하기 위해 데이터셋 편향의 유형을 미리 정의하였으나, 실제 데이터셋에서 편향 유형을 인식하는 것은 종종 제약적입니다. 본 논문에서는 감독 없이 편향된 표현을 학습할 수 있는 새로운 편향 맞춤 증강 기반 접근 방식인 BiaSwap을 제안합니다. 편향이 쉽게 학습할 수 있는 속성에 해당한다고 가정하고, 우리는 편향된 분류기가 얼마나 이러한 속성을 단축으로 활용할 수 있는지에 따라 학습 이미지를 정렬하여 비감독 방식으로 이를 편향 안내 샘플과 편향 반대 샘플로 나눕니다.그 다음, 우리는 이미지 변환 모델의 스타일 전송 모듈과 이러한 편향된 분류기의 클래스 활성화 맵(class activation maps)을 통합하여, 분류기에 의해 학습된 주요 편향 속성을 전송할 수 있도록 합니다. 따라서, 편향 안내 샘플과 편향 반대 샘플 쌍이 주어졌을 때, BiaSwap은 편향 반대 이미지에서 온 편향 속성을 포함하면서도, 편향 안내 이미지에서 비편향적인 속성을 유지하는 편향 교환 이미지를 생성합니다. 이러한 증강 이미지가 주어졌을 때, BiaSwap은 합성 및 실제 데이터셋 모두에서 기존 베이스라인보다 우수한 탈편倚性能를 보여줍니다(탈편倚性能: debiasing performance).심지어 세심한 감독 없이도, BiaSwap은 비편향 샘플과 펺向引导样本(편항 안내 샘플) 모두에서 뛰어난 성능을 달성하며, 이는 모델의 일반화 능력이 개선되었음을 시사합니다.注释：- "偏倚" (pyeonui) 用于表示 "bias"- "脱偏倚性能" (dalpyeonui seongnyeol) 用于表示 "debiasing performance"- "偏項引导样本" (pyeonhang andae sampeul) 用于表示 "bias-guiding samples"修正后的版本：깊은 신경망은 종종 데이터셋에 내재된 잘못된 상관관계를 기반으로 결정을 내리며, 불편중된 데이터 분포에서는 일반화하는 데 실패합니다. 이전 접근 방식들은 네트워크가 이러한 불편중성을 학습하지 않도록 하기 위해 데이터셋 불편중의 유형을 미리 정의하였지만, 실제 데이터셋에서 불편중 유형을 인식하는 것은 종종 제약적입니다. 본 논문에서는 감독 없이 불편중성이 제거된 표현을 학습할 수 있는 새로운 불편중 맞춤 증강 기반 접근 방식인 BiaSwap을 제안합니다. 불편중성이 쉽게 학습 가능한 속성에 해당한다고 가정하고, 우리는 불편중 분류기가 얼마나 이러한 속성을 단축으로 활용할 수 있는지에 따라 학습 이미지를 정렬하여 비감독 방식으로 이를 불편중 안내 샘플과 불편중 반대 샘플로 나눕니다.그 다음, 우리는 이미지 변환 모델의 스타일 전송 모듈과 이러한 불편중 분류기의 클래스 활성화 맵(class activation maps)를 통합하여, 분류기에 의해 학습된 주요 불편중 속성을 전송할 수 있도록 합니다. 따라서, 불편중 안내 샘플과 불편중 반대 샘플 쌍이 주어졌을 때, BiaSwap은 불편중 반대 이미지에서 온 불편중 속성을 포함하면서도, 불편중 안료 이미지에서 비불변 중속성을 유지하는 불변 중교환 이미지를 생성합니다. 이러한 증강 이미지가 주어졌을 때, BiaSwap은 합성 및 실제 세계 데이터셋 모두에서 기존 베이스라인보다 우수한 탈불변 중성능(tal-pyeonjeung seongnyeol: debiasing performance)를 보여줍니다.심지어 세심한 감독 없이도, BiaSwap은 비불변 중샘플과 불변 중안내 샘플(tae-pyeonjeung andae sampeul: bias-guiding samples) 모두에서 뛰어난 성능을 달성하며, 이는 모델의 일반화 능력이 개선되었음을 시사합니다.