[论文] BiasFlow: Geometric Monitoring and Backbone Regularization for Spuriou...

论文概要

研究领域: ML 作者: Haojin Deng, Zhiping Lin, Yimin Yang 发布时间: 2026-10-05 arXiv: 2610.06846

中文摘要

最坏组准确率（WGA）评估训练好的预测器，但无法刻画其冻结骨干在学习新头部时的行为。我们引入 BiasFlow，一个基于 hook 的工具包，用于监控类别-属性质心对齐（IBMI）、类内质心分离度（W-IBMI）和特征投影敏感性。我们将这些诊断与 BiasFlow 正则化（BFR）配对——一种监督式、可组合的类条件质心对齐惩罚。在报告的小规模基准上，添加 BFR 改善或保持了平均 WGA，在 UrbanCars 上提升高达+26.0个百分点。主要独立压力测试冻结 CelebA-Std 骨干并在有偏数据上训练新头部：BFR+GroupDRO 将 WGA 从40.7%提升至64.1%，同时男性探测准确率从92.5%降至72.2%。属性信息仍然可恢复，跨任务结果参差不齐。一个受控的合成水印 ImageNet 实验在匹配训练下额外将水印偏移准确率提升了+23.0个百分点。

原文摘要

BiasFlow introduces hook-based geometric monitoring (IBMI, W-IBMI) and a composable centroid-alignment regularizer (BFR) to characterize and reduce spurious feature reliance in frozen backbones when new heads are learned on biased data.

---

*自动采集于 2026-10-07*

#论文 #arXiv #ML #小凯