पूर्वाग्रह को दूर करने के लिए अंतर्निहित विशेषताओं को बढ़ाना: पूर्वाग्रह-प्रतिरोधी जोड़े में वर्ग-पहचाने वाले सामान्य गुणों की जांच के माध्यम से

छवि वर्गीकरण कार्य में, गहरे न्यूरल नेटवर्क अक्सर पूर्वाग्रह गुणों पर निर्भर करते हैं जो डेटा सेट पूर्वाग्रह की उपस्थिति में लक्ष्य वर्ग के साथ झूठी रूप से संबंधित होते हैं, जिसके परिणामस्वरूप पूर्वाग्रह गुणों के बिना डेटा पर लागू करने पर प्रदर्शन में कमी आती है। पूर्वाग्रह दूर करने का कार्य वर्गीकरण करने वालों को उन अंतर्निहित गुणों को सीखने के लिए मजबूर करना है जो स्वाभाविक रूप से एक लक्ष्य वर्ग को परिभाषित करते हैं, बजाय इसके कि वे पूर्वाग्रह गुणों पर ध्यान केंद्रित करें। जबकि हाल के दृष्टिकोण मुख्य रूप से पूर्वाग्रह गुणों के बिना डेटा नमूनों (यानी, पूर्वाग्रह-संघर्षकारी नमूनों) की शिक्षा को रेखांकित करने पर ध्यान केंद्रित करते हैं, पूर्वाग्रह गुणों वाले नमूने (यानी, पूर्वाग्रह-संरेखित नमूनों) की तुलना में, वे सीधे मॉडल को यह मार्गदर्शन देने में असफल रहते हैं कि अंतर्निहित विशेषताओं को कहाँ केंद्रित करना है। इस सीमा को संबोधित करने के लिए, इस पेपर में एक विधि प्रस्तुत की जाती है जो मॉडल को स्पष्ट स्थानिक मार्गदर्शन प्रदान करती है जो अंतर्निहित विशेषताओं के क्षेत्र को इंगित करती है। हम पहले पूर्वाग्रह-संरेखित (BA) नमूने और पूर्वाग्रह-संघर्षकारी (BC) नमूने के बीच वर्ग-पहचान करने वाले सामान्य गुणों की जांच करके अंतर्निहित गुणों की पहचान करते हैं (यानी, पूर्वाग्रह-प्रतिरोधी जोड़ी)। इसके बाद, हम BA नमूने में उन अंतर्निहित गुणों को बढ़ाते हैं जो BC नमूने की तुलना में भविष्यवाणी के लिए अपेक्षाकृत कम उपयोग किए जाते हैं। पूर्वाग्रह जानकारी का उपयोग किए बिना पूर्वाग्रह-प्रतिरोधी जोड़ी बनाने के लिए, हम एक पूर्वाग्रह-नकारात्मक स्कोर पेश करते हैं जो BC नमूनों को पूर्वाग्रह मॉडल का उपयोग करते हुए BA नमूनों से अलग करता है। प्रयोगों से यह स्पष्ट होता है कि हमारी विधि विभिन्न स्तरों के पूर्वाग्रह गंभीरता के साथ संश्लेषित और वास्तविक दुनिया के डेटासेट पर अत्याधुनिक प्रदर्शन प्राप्त करती है।