利用偏度感知强化学习缓解人脸识别偏差
计算机视觉与模式识别
2021-04-07 v1
摘要
种族平等是国际人权法的重要主题，但在盲目追求整体人脸识别准确率时，这一问题在很大程度上被忽视。更多事实表明，种族偏差确实降低了识别系统的公平性，非高加索人种的错误率通常远高于高加索人种。为促进公平性，我们引入自适应边界的思想，基于大间隔损失学习不同种族的平衡性能。提出了一种基于强化学习的种族平衡网络（RL-RBN）。我们将为非高加索人种寻找最优边界的过程建模为马尔可夫决策过程，并采用深度Q学习训练智能体通过近似Q值函数来选择适当边界的策略。在智能体引导下，种族间特征散布的偏度得以降低。此外，我们提供两个种族感知训练数据集，称为BUPT-Globalface和BUPT-Balancedface数据集，可用于从数据和算法两方面研究种族偏差。在RFW数据库上的大量实验表明，RL-RBN成功缓解了种族偏差，并为不同种族学习了更平衡的性能。
引用
@article{arxiv.1911.10692,
title = {Mitigate Bias in Face Recognition using Skewness-Aware Reinforcement Learning},
author = {Mei Wang and Weihong Deng},
journal= {arXiv preprint arXiv:1911.10692},
year = {2021}
}