Краткое содержание

arXiv:2511.12100v1 Тип: новая работа Аннотация: При текущем обучении визуальных моделей они часто опираются лишь на ограниченный набор достаточных причин для своих прогнозов, что делает их уязвимыми к смещениям распределения или отсутствию ключевых признаков. Методы атрибуции позволяют точно определять критические области модели. Однако маскирование этих областей для создания контрфактических примеров часто приводит к ошибкам классификации модели, тогда как человек依然 легко распознаёт объект. Это расхождение показывает, что изученные моделью зависимости могут быть недостаточно каузальными. Для решения этой проблемы мы предлагаем контрфактивную аугментацию на основе выбора подмножеств (SS-CA), которая интегрирует контрфактивные объяснения непосредственно в процесс обучения для целенаправленного вмешательства. На основе метода атрибуции LIMA, использующего выбор подмножеств, мы разрабатываем Counterfactual LIMA для идентификации минимальных наборов пространственных областей, удаление которых избирательно изменяет прогнозы модели. Используя эти атрибуции, мы представляем аугментацию