简介：解耦关注的重点是识别出数据中隐含的互相独立的变化因素。然而，现实中观测数据背后的因果变量通常不是统计意义上独立的。本文进行了大规模的实验，在内含相关性的数据上尝试了大多比较知名的解耦算法，分析了它们的效果。本文展示并量化表明，数据集中系统性存在的关联性是会被学到的，并且会反映在隐层表征中，这对于解耦学习的下游应用有一些启发，比如公平性。本文还展示了如何消除这些隐含的关联性，通过训练阶段利用一些弱监督的信号，或者事后用少量标签来校正预训练出来的模型。

论文链接：http://proceedings.mlr.press/v139/trauble21a/trauble21a.pdf

内容中包含的图片若涉及版权问题，请及时与我们联系删除