機械学習における虚偽の相関：調査

機械学習システムは、入力のバイアスのある特徴（例えば、背景、テクスチャ、二次オブジェクト）と対応するラベルとの間の虚偽の相関に敏感であることが知られています。これらの特徴とそれらのラベルとの相関は“虚偽”と呼ばれ、実世界のデータ分布の変化に伴って変化する傾向があるため、モデルの一般化や堅牢性に悪影響を及ぼす可能性があります。本調査では、この問題について包括的なレビューを提供し、機械学習モデルにおける虚偽の相関に対処するための現在の最先端手法の分類法を示します。さらに、今後の研究を支援するために、既存のデータセット、ベンチマーク、メトリクスを要約します。本論文は、この分野における最近の進展と今後の研究課題についての議論で締めくくられ、関連分野の研究者にとって貴重な洞察を提供することを目指しています。