Face4FairShifts: 一个面向视觉域间公平性与鲁棒学习的大规模图像基准
计算机视觉与模式识别
2025-09-03 v1 计算机与社会
机器学习
摘要
确保机器学习模型中的公平性与鲁棒性仍然是一个挑战，尤其是在域偏移条件下。我们提出了 Face4FairShifts，一个大规模面部图像基准，用于系统评估公平性感知学习和域泛化。该数据集包含 100,000 张图像，涵盖四个视觉差异显著的域，拥有 14 个属性下的 39 项标注，涵盖人口统计特征和面部特征。通过大量实验，我们分析了模型在分布偏移下的性能并发现了显著差距。我们的发现强调了现有相关数据集的局限性，以及需要更有效的公平性感知域适应技术。Face4FairShifts 为推进公平可靠的 AI 系统提供了全面的测试平台。该数据集在线上可获取：https://meviuslab.github.io/Face4FairShifts/
引用
@article{arxiv.2509.00658,
title = {Face4FairShifts: A Large Image Benchmark for Fairness and Robust Learning across Visual Domains},
author = {Yumeng Lin and Dong Li and Xintao Wu and Minglai Shao and Xujiang Zhao and Zhong Chen and Chen Zhao},
journal= {arXiv preprint arXiv:2509.00658},
year = {2025}
}