基于贝叶斯网络引导元学习的人脸属性分类中组件级公平性研究

人脸识别技术广泛集成到各种应用中（例如门禁控制和个性化广告），这迫切需要强调公平性。以往的工作侧重于人口统计公平性，而个体生物人脸组件的公平性尚未被探索。在本文中，我们关注人脸组件公平性，这是一种由生物人脸特征定义的公平性概念。据我们所知，我们的工作是首个在生物特征层面缓解人脸属性预测偏差的工作。在这项工作中，我们识别了优化人脸组件公平性的两个关键挑战：属性标签稀缺性和属性相互依赖性，这两者都限制了先前方法缓解偏差的有效性。为解决这些问题，我们提出了贝叶斯网络引导的元重加权（BNMR），它引入了一个贝叶斯网络校准器来指导一个自适应的基于元学习的样本重加权过程。在我们方法的训练过程中，贝叶斯网络校准器动态跟踪模型偏差并编码人脸组件属性的先验概率，以克服上述挑战。为证明我们方法的有效性，我们在一个大规模真实世界人脸数据集上进行了大量实验。结果表明，BNMR 能够持续优于近期的人脸偏差缓解基线方法。此外，我们的结果表明，人脸组件公平性对通常考虑的人口统计公平性（例如，性别）有积极影响。我们的发现为人脸组件公平性的新研究方向铺平了道路，表明人脸组件公平性可以作为人口统计公平性的潜在替代目标。我们的代码已公开~\footnote{https://github.com/yliuaa/BNMR-FairCompFace.git}。