LabellessFace：无属性标签的面部识别公平度度量学习
计算机视觉与模式识别
2024-09-17 v1 人工智能
计算机与社会
机器学习
摘要
人口统计偏差是面部识别系统面临的主要挑战之一。目前大多数关于人口统计偏差的研究都严重依赖特定的人口统计群体或人口统计分类器，难以解决对未识别群体的性能问题。本文引入了 ``LabellessFace''，一种在面部识别中改善人口统计偏差的新框架，无需通常用于公平性考虑的人口统计群体标记。我们提出了一种新的公平性增强度量——类别偏好水平 (class favoritism level)，用于评估数据集中对特定类别的偏好程度。依据该度量，我们引入了公平类间距惩罚 (fair class margin penalty)，这是一种现有基于间距的度量学习的扩展方法。该方法根据类别偏好水平动态调整学习参数，以促进所有属性的公平性。通过将每个类别视为面部识别系统中的独立个体，我们促进了最小化身份验证准确率在个体之间的偏差的学习。综合实验表明，我们提出的方法在保持面部验证准确性的同时，有效提升了公平性。
引用
@article{arxiv.2409.09274,
title = {LabellessFace: Fair Metric Learning for Face Recognition without Attribute Labels},
author = {Tetsushi Ohki and Yuya Sato and Masakatsu Nishigaki and Koichi Ito},
journal= {arXiv preprint arXiv:2409.09274},
year = {2024}
}