通过潜在空间去偏实现公平属性分类
计算机视觉与模式识别
2021-04-05 v3
摘要
随着识别系统在真实世界中大规模部署，视觉识别中的公平性正成为一个突出且关键的话题。已知在目标标签与受保护属性（如性别、种族）相关的数据上训练的模型会学习并利用这些相关性。本工作中，我们提出一种在缓解此类相关性所致偏差的同时训练准确目标分类器的方法。我们利用GAN生成逼真图像，并在底层潜在空间中扰动这些图像，以生成对每个受保护属性均衡的训练数据。我们用这些扰动生成的数据扩充原始数据集，并经验性地证明在扩充数据集上训练的目标分类器具有多项定量与定性益处。我们在CelebA数据集上针对多个目标标签与受保护属性进行了详尽评估，并提供了深入分析及与现有相关文献的对比。
引用
@article{arxiv.2012.01469,
title = {Fair Attribute Classification through Latent Space De-biasing},
author = {Vikram V. Ramaswamy and Sunnie S. Y. Kim and Olga Russakovsky},
journal= {arXiv preprint arXiv:2012.01469},
year = {2021}
}
备注
Accepted to CVPR 2021, code can be found at https://github.com/princetonvisualai/gan-debiasing