DISCO: Nuovo Metodo Riduce i Bias nel Deep Learning Utilizzando la Correlazione di Distanza Condizionale

Una nuova tecnica chiamata DISCO è stata presentata dai ricercatori per affrontare i bias nei modelli di deep learning attraverso l'uso della correlazione di distanza condizionale. Questo metodo è descritto in un articolo intitolato 'DISCO: Mitigating Bias in Deep Learning with Conditional Distance Correlation', che introduce il Modello Anti-Causale Standard (SAM). Questo quadro causale chiarisce i meccanismi alla base del bias e stabilisce un criterio di indipendenza condizionale per garantire la stabilità causale. Gli autori hanno anche creato due stimatori efficienti, DISCO$_m$ e sDISCO, che facilitano la regolarizzazione dell'indipendenza nei modelli basati su gradienti. Valutati su sei diversi set di dati, questi approcci superano o eguagliano costantemente i metodi esistenti di riduzione del bias, richiedendo meno iperparametri e adattandosi a situazioni con bias multipli. Il codice sorgente è accessibile pubblicamente e l'articolo è disponibile su arXiv nella sezione Computer Vision and Pattern Recognition.