面向人口学公平的人脸属性分类的自监督学习管道

已发表的研究突显了自动人脸属性分类中存在人口学偏见。所提出的偏差缓解技术大多基于监督学习，需大量标记训练数据以实现通用性和可扩展性。然而，标记数据有限、标注工作繁琐、存在隐私风险且可能延续人类偏见。相比之下，自监督学习（SSL）利用可获得的无标记数据，使训练模型更具可扩展性和普适性。然而，这类无标记SSL模型在低数据 regime（20万张图片）且计算资源有限的情况下，可能因抽样错误的负样本对而引入偏见。此外，SSL模型因缺乏来自网络的无标记数据质量保障，可能出现性能下降。本文提出了面向人口学公平的人脸属性分类器的完全自监督管道。通过利用预训练编码器生成的无标记数据伪标签、多样化的数据清洗技术以及基于元学习的加权对比学习，我们的方法显著优于面向下游图像分类任务的现有SSL方法。在FairFace和CelebA数据集上进行的广泛评估表明，我们的管道在获得公平性能方面优于现有基线方法。由此奠定了SSL在人脸属性分类公平性方面的新基准。