Este documento propone el Entrenamiento con Solo Explicaciones (TEA), un novedoso paradigma de aprendizaje, para abordar el problema del aprendizaje por atajos, que dificulta la aplicación de la inteligencia artificial (IA) en áreas críticas como la atención médica. TEA entrena un clasificador (un modelo de estudiante de TEA) utilizando el mapa de calor de explicación de un modelo de profesor como mapa de calor objetivo. Esto garantiza que el modelo de estudiante de TEA se centre en las mismas características de la imagen que el modelo de profesor. Además, si el modelo de profesor se entrena para ignorar el sesgo de fondo, como al eliminar el fondo, el modelo de estudiante también se entrena para ignorar el sesgo de fondo. Al usar múltiples modelos de profesor, el modelo de estudiante puede entrenarse para ser altamente resistente al sesgo de primer plano y, sorprendentemente, puede lograr resultados que son consistentes con la salida del modelo de profesor sin aplicar una función de pérdida a la salida del modelo de estudiante. En comparación con 14 métodos de última generación en cinco conjuntos de datos con un fuerte sesgo de fondo o de primer plano (incluidos los conjuntos de datos Waterbirds y Xline para la clasificación de COVID-19/neumonía), el modelo de estudiante de TEA demuestra una excelente resistencia al sesgo, supera a los métodos de última generación y se generaliza bien a datos de hospitales no entrenados.
