利用样本聚类性缓解虚假相关性

本文解决了深度学习模型中虚假相关性的问题，这是一个可能导致泛化能力差的重要问题。所提出的数据导向方法利用了受虚假特征影响的样本的“聚类性”，提供了一个新颖的视角。识别、中和、消除和更新的流程定义明确，提供了清晰的方法。与ERM相比，最差组准确率提高了20%以上，这有力地表明了该方法的有效性。代码和检查点的可用性增强了可重复性和实际应用。

• •提出了一种数据导向的方法来缓解虚假相关性。
• •利用样本的“聚类性”来识别和中和虚假特征。
• •与ERM相比，在最差组准确率方面取得了显著的改善。
• •提供代码和检查点以实现可重复性。