面向人脸模型的结构性差异估计

在机器学习中，差异度量通常通过衡量模型在不同数据点子群体（组）上的性能或输出差异来定义。因此，差异量化的输入包括模型的预测值 $\hat{y}$、预测的真实标签 $y$ 以及数据点的组标签 $g$。针对每个组，通过比较该组内数据点的 $\hat{y}$ 与 $y$ 来计算模型性能，进而可算出不同组之间的性能差异。然而，在许多现实场景中，组标签（$g$）在训练和验证阶段可能无法大规模获取，或者由于它们往往属于敏感信息，收集并不可行或不必要。因此，跨类别组评估差异度量将不可行。另一方面，在许多情况下，可利用某种代理手段获得含噪分组，从而能够衡量子群体间的差异度量。本文探讨在计算机视觉人脸模型以及人脸属性预测、情感估计等任务上执行此类分析。实验表明，现成人脸识别模型所生成的嵌入向量，可有意义地作为此类估计的代理。