流行率校准作为缓解捷径

捷径学习表示分类器利用虚假相关性而不是诊断特征的普遍情况。现有的缓解策略主要旨在学习捷径不变表示；他们的经验成功是有限的，并且不能应用于使用冻结基础模型编码器的分类器。我们建议将捷径学习从根本上重新定义为一个校准问题：无约束学习隐式地根据其训练集疾病患病率校准每个捷径组，从而使所得的分类器必然对一组过于自信，而对另一组信心不足。基于这一见解，我们通过两种与编码器无关的方法（处理中正则化器和事后流行均衡重新校准步骤）对快捷方式组之间的流行均衡校准。在 CheXpert 和 SIIM-ACR 上的胸腔引流气胸基准测试中，涵盖微调的 CNN 和冻结的基础模型主干，这两种方法都大大优于所有基线。标准 ERM 训练的 DenseNet 的事后重新校准将错位组 AUROC 从 0.23 提高到 0.73，这表明捷径依赖降低了分类头而不是底层表示。除了两种最先进的捷径缓解方法之外，我们的研究结果更从根本上将捷径学习与校准理论和算法公平性联系起来。