分佈偏移

深度分析

用可解釋性作為正則化：eX2L 將 Grad‑CAM 熱圖分離標籤與混淆因子

面對分佈偏移導致模型依賴虛假關聯，本研究提出eX2L，以對比視覺說明圖做為正則化，使分類器與混淆因子在Grad‑CAM熱圖上解耦。研究透過罰項抑制標籤與混淆器的空間重疊，促成域不變性並提升弱勢群體表現。在Spawrious基準上，eX2L提升了平均與最差群體準確度，顯示可兼顧可解釋性與強健性。