图像分类中的偏差缓解技术：人类遗产收藏中的公平机器学习
计算机视觉与模式识别
2023-03-22 v1 机器学习
摘要
使用自动分类系统的一个主要问题是，如果它们没有被正确设计且未考虑公平性，可能会对某些群体有害。此外，尽管工程师已开发出用于图像分类的尖端技术，但这些模型在人类遗产收藏中的应用仍存在差距，此类数据集通常由具有不同种族、性别和年龄的人的低质量图片组成。在这项工作中，我们使用两个最先进的神经网络 Xception 和 EfficientNet 评估了三种偏差缓解技术用于性别分类。此外，我们探索了使用公平数据集进行迁移学习以克服训练数据稀缺的问题。我们在一个由 19 和 20 世纪照片组成的文化遗产收藏上评估了偏差缓解流程的有效性，并使用 FairFace 数据集进行迁移学习实验。评估后，我们发现迁移学习是一种良好的技术，在处理小数据集时能获得更好的性能。此外，最公平的分类器是通过使用迁移学习、阈值改变、重加权和图像增强作为偏差缓解方法实现的。
引用
@article{arxiv.2303.11449,
title = {Bias mitigation techniques in image classification: fair machine learning in human heritage collections},
author = {Dalia Ortiz Pablo and Sushruth Badri and Erik Norén and Christoph Nötzli},
journal= {arXiv preprint arXiv:2303.11449},
year = {2023}
}