无需重训练即可提升深度生成模型的公平性
计算机视觉与模式识别
2021-03-30 v2 人工智能
摘要
生成对抗网络（GANs）通过学习观测数据的底层分布推进人脸合成。尽管生成人脸质量很高，但由于有偏的图像生成过程，某些少数群体在训练模型中极少被生成。为研究该问题，我们首先在一个预训练人脸合成模型上进行实证研究。我们观察到，GAN 模型训练后不仅携带训练数据中的偏差，还在图像生成过程中将其在一定程度上放大。为进一步提升图像生成的公平性，我们提出一种可解释的基线方法，无需重训练即可平衡输出人脸属性。所提方法在隐空间中平移可解释的语义分布以实现更均衡的图像生成，同时保持样本多样性。除生成关于特定属性（如种族、性别等）更均衡的数据外，我们的方法可泛化至同时处理多个属性并合成细粒度子组的样本。我们进一步展示了从 GANs 采样的均衡数据在量化其他人脸识别系统（如商用人脸属性分类器与人脸超分辨率算法）偏差方面的正向适用性。
引用
@article{arxiv.2012.04842,
title = {Improving the Fairness of Deep Generative Models without Retraining},
author = {Shuhan Tan and Yujun Shen and Bolei Zhou},
journal= {arXiv preprint arXiv:2012.04842},
year = {2021}
}
备注
Project page: https://genforce.github.io/fairgen/