Cet article propose l'apprentissage par explications seules (TEA), un nouveau paradigme d'apprentissage, pour résoudre le problème de l'apprentissage par raccourcis, qui freine l'application de l'intelligence artificielle (IA) dans des domaines critiques comme la santé. TEA entraîne un classificateur (un modèle d'élève TEA) en utilisant la carte thermique d'explication d'un modèle d'enseignant comme carte thermique cible. Cela garantit que le modèle d'élève TEA se concentre sur les mêmes caractéristiques d'image que le modèle d'enseignant. De plus, si le modèle d'enseignant est entraîné à ignorer le biais d'arrière-plan, par exemple en supprimant l'arrière-plan, le modèle d'élève est également entraîné à ignorer le biais d'arrière-plan. En utilisant plusieurs modèles d'enseignant, le modèle d'élève peut être entraîné à être très résistant au biais de premier plan et, étonnamment, il peut obtenir des résultats cohérents avec la sortie du modèle d'enseignant sans appliquer de fonction de perte à la sortie du modèle d'élève. En comparant avec 14 méthodes de pointe sur cinq ensembles de données avec un fort biais d'arrière-plan ou de premier plan (y compris les ensembles de données Waterbirds et Xline pour la classification COVID-19/pneumonie), le modèle étudiant TEA démontre une excellente résistance aux biais, surpasse les méthodes de pointe et se généralise bien aux données hospitalières non formées.
