将种族视为迁移学习的一个问题

随着生物识别应用被部署以服务大量人群，不同子群体之间性能差异的问题正变得日益重要。在本文中，我们考察了我们认为种族是此类因素之一的案例。我们特别考察两类问题：人脸分类与图像合成。我们采取了一种新颖的思路，将种族视为迁移学习在任务（人脸分类）和域（不同数据集上的合成）两方面的边界。我们展示了一系列改进人脸分类迁移学习的技术，其性能优于在目标自身域中训练的同类模型。我们进行了一项研究以评估训练用于图像合成的生成对抗网络（GAN）的性能下降；在此过程中，我们为Celeb-A数据集按种族生成了新的标注。这些网络仅在一种族上训练并在另一种族上测试——证明了CelebA的子集对于该任务是不同的域。