表观年龄估计：挑战与结果
机器学习
2026-04-07 v1 神经与进化计算
摘要
表观年龄估计是商业个性化的一个有价值的工具，然而当前模型经常表现出人口统计偏差。我们回顾了先前关于DEX方法的工作，应用了均值-方差损失（MVL）和自适应均值-残差损失（AMRL）等分布学习技术，并从准确性和公平性两方面对它们进行了评估。使用IMDB-WIKI、APPA-REAL和FairFace数据集，我们证明，尽管AMRL达到了最先进的准确性，但精度与人口统计公平性之间的权衡依然存在。尽管UMAP嵌入中存在清晰的年龄聚类，但我们的显著性图表明，不同人口统计群体的特征关注不一致，导致对亚裔和非裔美国人群体性能显著下降。我们认为，仅靠技术改进是不够的；准确且公平的表观年龄估计需要整合本地化和多样化的数据集，并严格遵守公平性验证协议。
引用
@article{arxiv.2604.03335,
title = {Apparent Age Estimation: Challenges and Outcomes},
author = {Justin Rainier Go and Lorenz Bernard Marqueses and Mikaella Kaye Martinez and John Kevin Patrick Sarmiento and Abien Fred Agarap},
journal= {arXiv preprint arXiv:2604.03335},
year = {2026}
}
备注
Accepted for oral presentation at Philippine Computing Science Congress 2026