BiasFlow：用于监测虚假特征依赖的几何监控与骨干网络正则化

最差组准确率（WGA）可以评估训练好的预测器，但无法刻画在学习新预测头时其冻结骨干网络的行为。我们提出 BiasFlow，这是一套基于 hook 的工具包，用于监测类别-属性质心对齐（IBMI）、类内质心分离（W-IBMI）以及特征投影敏感性。IBMI 会受到类别与属性相关性的混淆，因此并不能衡量对因果特征的依赖。我们将这些诊断指标与 BiasFlow 正则化（BFR）结合起来；BFR 是一种有监督、可组合的类条件质心对齐惩罚项。W-IBMI 可以验证 BFR 所优化的量，但它依赖尺度，不能独立证明属性已被移除。在所报告的小规模基准测试中，加入 BFR 后，平均 WGA 得到提升或保持不变；在 UrbanCars 上最高提升 26.0 个百分点。主要的独立压力测试冻结 CelebA-Std 骨干网络，并在有偏数据上训练新的预测头：BFR+GroupDRO 将 WGA 从 40.7% 提升至 64.1%，同时 Male 探针准确率从 92.5% 降至 72.2%。属性信息仍然可以被恢复，且跨任务结果喜忧参半。在一个受控的合成水印 ImageNet 实验中，在训练条件匹配的情况下，水印偏移准确率进一步提升了 23.0 个百分点。这些结果表明，在所测试的协议下，除了 WGA 之外，还应评估质心几何结构以及对有偏预测头再训练的抵抗能力。