یکی از چالشهای بزرگ در یادگیری ماشین، تمایل مدلها به یادگیری «همبستگیهای کاذب» (Spurious Correlations) است؛ یعنی مدل به جای یادگیری ویژگیهای اصلی، به دنبال میانبرهای اشتباه میگردد.
محققان در یک پژوهش جدید، متد Invariance Pair Guidance (IPG) را معرفی کردهاند که بدون نیاز به دادههای برچسبدار سنگین، به مدل کمک میکند تا با استفاده از جفتهای دادهایِ «ضد واقعی» (Counterfactual)، بر این سوگیریها غلبه کند و به دقت و پایداری بسیار بیشتری دست یابد. این روش به ویژه برای مدلهایی که باید در شرایط واقعی و متغیر عملکرد درستی داشته باشند، یک گام رو به جلو محسوب میشود.
منبع: arXiv Machine Learning
