超越性能差异：对CelebA中表征性伤害的三级审计

大规模人脸数据集如CelebA 在计算机视觉中广泛使用，但其标签中嵌入的文化偏见仍未得到充分探讨。公平性研究区分了表征性伤害与分配性伤害，但计算机视觉数据集的审计大多只检查分类标签，留下了此类伤害在学习特征和模型注意力中的呈现方式。本文在三个层面审查CelebA：数据集结构、学习特征权重和空间注意力，关注性别化双重标准如何在数据中编码并在模型行为中重现。首先，对202,599张图片进行的层次聚类显示，39个属性组织成与文化原型对齐的潜在特征束：表现性女性主义（年轻、化妆、装饰）和职业男性主义（老化、面部胡须、正式着装）。尽管女性面孔在整体上更常被评为有吸引力，但在分配给老化或 masculine 编码聚类的情形下会受到严厉惩罚。其次，XGBoost 结合 SHAP 分析揭示了性别特定效应，例如脂肪增加仅对女性降低吸引力。第三，Grad-CAM 发现，针对女性和较年轻男性子群的预测集中在中面部线索，而针对较年长男性的预测则漂移至外周线索，如头发和服装。较年长男性获得最高准确率但最低的平均精度，表明数据评估模板之外的群体在类别上被排除。文化双重标准因此从媒体表征传递到数据集标签、特征权重和模型注意力中，产生两种表征性伤害：对女性在狭窄评估模板下的严格审视，以及对年长男性从方案中被完全排除。专注于性能差异的公平性指标掩盖了这两种伤害，凸显了在公平性研究中解决表征性伤害的必要性。