偏见遗产：数据如何塑造面部表情识别中的模型

近年来，人工智能系统的快速发展引发了我们确保其公平性——即避免基于受保护特征（如性别、种族或年龄）的歧视——的能力 concerns。虽然算法公平性在简单基于表格数据的二元分类任务中已广泛研究，但其在复杂真实场景——例如面部表情识别（FER）——中的应用仍鲜有探索。FER 具有独特挑战：它本质上是多类问题，偏见跨越多个人口统计变量，每种变量可能包含多个受保护群体。我们提出了全面的框架来分析从数据集到训练模型在基于图像的 FER 系统中的偏见传播，同时引入专为多类问题和多个人口统计群体设计的新偏见指标。我们的 methodology 通过（1）在 FER 数据集中引入受控偏见，（2）在这些偏见数据集上训练模型，（3）分析数据集偏见指标与模型公平性概念之间的相关性来研究偏见传播。我们的发现表明，刻板印象偏见比表征偏见更强烈地传播到模型预测中，表明应优先处理情感特定的人口统计变量模式，而不是一般的人口统计平衡。在 FER 数据集中，偏见数据导致模型准确率下降，这挑战了公平性-准确性权衡的假设。