BiasFlow: 스퓨리어스 피처 의존성을 위한 기하학적 모니터링 및 백본 정규화

최악 그룹 정확도(Worst-group accuracy, WGA)는 훈련된 예측기를 평가하지만, 그 예측기의 고정된 백본이 새로운 헤드 학습 시 어떻게 작동하는지 특성화하지는 못합니다. 우리는 클래스-속성 중심점 정렬(Inter-class Backbone Monitoring Index, IBMI), 클래스 내 중심점 분리(Within-class IBMI, W-IBMI), 그리고 피처 투영 민감도를 모니터링하기 위한 훅 기반 툴킷인 BiasFlow를 소개합니다. IBMI는 클래스-속성 상관관계에 의해 혼란을 받으며 인과적 피처 의존성의 측정치가 아닙니다. 우리는 이러한 진단 지표들을 지도 학습(supervised)의 조합 가능한 클래스 조건부 중심점 정렬 패널티인 BiasFlow Regularization (BFR)와 결합합니다. W-IBMI는 BFR가 최적화하는 양을 검증하며, 이는 스케일 의존적이고 속성 제거를 독립적으로 확립하지 못합니다. 보고된 소규모 벤치마크 전반에 걸쳐 BFR 추가는 평균 WGA를 개선하거나 유지하며, UrbanCars에서 최대 +26.0 pp의 이득을 보였습니다. 주요 독립 스트레스 테스트에서는 CelebA-Std 백본을 고정하고 편향된 데이터로 새로운 헤드를 훈련시켰습니다: BFR+GroupDRO는 WGA를 40.7%에서 64.1%로 향상시키는 반면, Male 프로브 정확도는 92.5%에서 72.2%로 감소했습니다. 속성 정보는 여전히 복구 가능하며, 교차 작업 결과는 혼합되었습니다. 통제된 합성 워터마크 ImageNet 실험은 또한 일치하는 훈련 조건 하에 워터마크 이동 정확도를 +23.0 pp 개선시켰습니다. 이러한 결과들은 테스트된 프로토콜 내에서 WGA와 함께 중심점 기하학 및 편향된 헤드 재훈련에 대한 저항성을 평가하는 것을 뒷받침합니다.