超越离散类别的平衡：用于公平人脸识别的连续人口统计学标签

偏差一直是人脸识别模型中的常态。多年来，研究人员从模型和数据两个视角对其进行了审视。然而，他们缓解数据偏差的方法存在局限性，且缺乏对问题本质的洞察。在本文中，我们提议将种族标签的使用修订为连续变量，而非每个身份的离散值。我们从实验和理论两方面验证了我们的构想，表明并非来自同一种族的所有身份对数据集的平衡贡献相等；因此，每个种族拥有相同数量的身份并不代表数据集是平衡的。我们进一步表明，在连续空间中平衡的数据集上训练的模型，其表现始终优于在离散空间中平衡的数据上训练的模型。我们训练了超过65个不同的模型，并创建了20多个原始数据集的子集。