利用深度生成视图缓解跨性别-种族群体的性别分类偏差
计算机视觉与模式识别
2022-08-18 v1 人工智能
机器学习
摘要
已发表的研究指出基于人脸的自动性别分类算法在性别-种族群体间存在偏差。具体而言，女性与深肤色人群的分类准确率不均等。为缓解性别分类器的偏差，视觉界已开发若干策略。然而，这些缓解策略的有效性大多仅在有限种族（主要为高加索人与非裔美国人）上得到验证。此外，这些策略常在偏差与分类准确率间提供权衡。为进一步推进最先进水平，我们利用生成视图、结构化学习与证据学习的力量来缓解性别分类偏差。我们通过大量实验验证证明了我们的偏差缓解策略在提升分类准确率与降低性别-种族群体间偏差上的优越性，从而在数据集内与跨数据集评估中取得最先进(SOTA)性能。
引用
@article{arxiv.2208.08382,
title = {Deep Generative Views to Mitigate Gender Classification Bias Across Gender-Race Groups},
author = {Sreeraj Ramachandran and Ajita Rattani},
journal= {arXiv preprint arXiv:2208.08382},
year = {2022}
}
备注
20 pages, 4 figures, 9 tables, ICPR workshop