Tag · 6 篇
虚假相关
面向多标签图像分类的基于原型的因果干预
Prototype-based Causal Intervention for Multi-Label Image Classification
用可学习的上下文原型在记忆库中动态建模混淆因子，仅凭图像级监督近似后门调整，为视觉分类中去除共现偏差提供了一个可复用的因果干预模块。
LVLM 辅助的任务特定视觉模型对齐
LVLM-Aided Alignment of Task-Specific Vision Models
用 LVLM 作为「模型行为→自然语言→图像级批评」的双向翻译器，把领域专家给出的类级规范转成对单张图的批评信号来微调小模型，为视觉模型对齐人类知识、去除虚假相关提供了一套无需细粒度标注的可复用流程。
基于训练数据的图像离群点合成
Image-based Outlier Synthesis With Training Data
提出一种无需外部数据的虚拟离群点合成方法：通过向ID输入添加梯度归因值来破坏不变特征并放大真实类logit，生成近流形离群点，可用于提升细粒度分类和虚假相关场景下的OOD检测鲁棒性。
DARC：面向可信胸部X光分类的双重调整反事实推理
DARC: Dual Adjustment Reasoning with Counterfactuals for Trustworthy Chest X-ray Classification
把因果推断中的后门调整与反事实推理引入胸部X光多标签分类，用于解耦病理共现与非病理视觉混杂带来的虚假相关；其像素级混杂标注数据集CheXconf与双流因果学习结构，可迁移到其他存在捷径学习的医学影像乃至自然图像分类任务。
概念引导微调：引导 ViT 远离虚假相关以提升鲁棒性
Concept-Guided Fine-Tuning: Steering ViTs away from Spurious Correlations to Improve Robustness
用 LLM 无标签提出类相关概念、VLM 分割成概念掩码，再以微调目标把 ViT 的内部相关性图对齐到这些概念区域并抑制背景，是一种可直接复用的、无需人工标注的鲁棒性微调手段，也可用来提升模型可解释性。
归因引导的不可靠神经网络行为模型矫正
Attribution-Guided Model Rectification of Unreliable Neural Network Behaviors
用秩一模型编辑加逐层归因定位，在几乎不重训、仅需一张干净样本的条件下修正视觉模型对非鲁棒特征的依赖（如神经木马、虚假相关），为视觉模型的可信部署提供了一种低成本的后处理修复手段。