通过面部识别嵌入中的方向性对齐发现交叉性偏见
计算机视觉与模式识别
2026-03-23 v2 机器学习
摘要
现代人脸识别模型在单位球面上嵌入身份信息，身份变化形成紧密的簇 clusters。相反，共享语义属性可作为潜在空间中的线性方向有效近似。现有偏见评估方法依赖预定义属性标签、合成反事实样本或基于距离的聚类，均未能捕捉沿潜在方向形成的交叉性子人口。我们引入LatentAlign，一种无属性的算法，通过在主导潜在方向上迭代对齐嵌入，发现语义连贯且可解释的子人群。不同于基于距离的聚类，LatentAlign利用球面嵌入的几何结构，以分离沿身份共享的方向性结构，实现属性的可解释发现。在四个最先进的识别主干网络（ArcFace、CosFace、ElasticFace、PartialFC）和两个基准数据集（RFW、CelebA）上，LatentAlign consistently产生比k-means、球面k-means、最近邻搜索和DBSCAN更语义连贯的簇。关键的是，发现的子人群暴露了严重的交叉性漏洞，误匹配率（FMR）可高达显式注释定义组的4倍。我们的结果表明，通过将语义属性视为方向性特征而非空间簇，可有效隔离交叉性子人群，揭示标准审计遗漏的隐藏偏见。
关键词
引用
@article{arxiv.2510.15520,
title = {Discovering Intersectional Bias via Directional Alignment in Face Recognition Embeddings},
author = {Ignacio Serna},
journal= {arXiv preprint arXiv:2510.15520},
year = {2026}
}