Кадом усулҳои тоза кардани тафовут дар моделҳо (адварсиалӣ дебайасинг)?

Дебейазинг бо муқобилӣ — усули бартараф кардани тафсирҳо дар моделҳои омӯзиши мошин тавассути омӯзиши рақобатӣ мебошад. Ҳадафи асосӣ — омӯзиши модел асосӣ барои пешгӯии тағйирёбандаи мақсадӣ, дар ҳоле ки ҳамзамон модел муқобилро омӯзонед, ки кӯшиш мекунад хусусияти муҳофизатшуда (масалан, ҷинс ё нажод) аз натиҷаҳои модели асосӣ пешгӯӣ кунад. Модели асосӣ оптимизатсия мешавад, то хато дар пешгӯиро кам кунад ва ҳамзамон, модел муқобилро барои фаҳмидани хусусияти муҳофизатшуда мушкилтар созад.

Методҳои дебейазинг бо истифодаи рӯҳияи муқобил:

• Омӯзиши рақобатӣ: модел асосӣ ва модел муқобил дар якҷоягӣ омӯзонида мешаванд, ки дар он модел асосӣ кӯшиш мекунад, ки модел муқобилро «фиреб» диҳад.
• Регулятсия бо Loss-и муқобил: илова кардани компоненте ба функсияи Loss, ки моделро барои доштани маълумот дар бораи хусусияти муҳофизатшуда ҷазо медиҳад.
• Истифодаи градиентии пасткунӣ бо вокуниш: градиентҳо аз модел муқобил дар вақти навсозии модел асосӣ баргардонида мешаванд, то вобастагиро аз хусусияти муҳофизатшуда кам кунанд.

Маслиҳат барои псевдокод:

# Модели асосӣ f, модел муқобил g
for batch in data:
    y_pred = f(x)
    s_pred = g(y_pred)
    loss_main = loss_fn(y_pred, y_true)
    loss_adv = loss_fn(s_pred, s_true)
    total_loss = loss_main - lambda * loss_adv
    total_loss.backward()
    optimizer.step()

Дар ҷое, ки lambda мувозинати байни дақиқӣ ва адолатро танзим мекунад.