地球化学数据分析中，封闭效应导致成分数据伪相关性。传统统计方法未考虑这一约束，可能产生误导。为解决此问题，提出了加性对数比变换、中心化对数比变换和等距对数比变换等方法，以便用常规统计分析处理成分数据。

本文讨论通过增强模型可解释性来解决伪相关性问题。利用多个基础模型协同作用，构建无需人工标注的CBMs。针对预训练模型的偏差，提出新框架以减少伪相关性影响。实验结果表明，该方法有效减少模型对伪相关性的依赖，同时保持可解释性。

本文讨论了机器学习中的伪相关性问题，介绍了一种降低对伪相关性敏感度的训练模型方法和资源，并实验证明该方法在情感分析和自然语言推理任务上表现良好。