无标签公平性：人脸性别分类中的伪平衡偏差缓解
计算机视觉与模式识别
2025-10-14 v1
摘要
人脸性别分类模型常反映并放大其训练数据中存在的人口统计偏差，导致在性别和种族子群之间性能不均。我们提出一种名为 pseudo-balancing 的简单有效策略，用于在半监督学习中缓解此类偏差。该方法仅使用种族平衡数据集中的无标签图像，在不获取 ground-truth 标注的情况下强制人口统计平衡。我们在两种情况下评估 pseudo-balancing：(1) 使用来自 FairFace 数据集的无标签图像对偏置性别分类器进行微调；(2) 使用刻意不平衡的训练数据模拟受控偏差情景进行应力测试。在这两种情况下，模型都在包含以东亚人口为主的 All-Age-Faces（AAF）基准上进行评估。我们的结果表明，pseudo-balancing 在保持或提升准确率的同时始终能提高公平性。该方法实现了 79.81% 的总体准确率，较基线提升 6.53%，性别准确率差距缩小 44.17%。在东亚亚洲人群中，基线差异超过 49%，而该差距被缩小至仅 5.01%。这些发现表明，即便在没有标签监督的情况下，获取人口统计平衡或适度偏斜的无标签数据集仍可作为缓解现有计算机视觉模型偏差的强大资源。
引用
@article{arxiv.2510.10191,
title = {Fairness Without Labels: Pseudo-Balancing for Bias Mitigation in Face Gender Classification},
author = {Haohua Dong and Ana Manzano Rodríguez and Camille Guinaudeau and Shin'ichi Satoh},
journal= {arXiv preprint arXiv:2510.10191},
year = {2025}
}
备注
8 pages. Accepted for publication in the ICCV 2025 Workshop Proceedings (2nd FAILED Workshop). Also available on HAL (hal-05210445v1)