通过引入标签多样性缓解人脸分析系统中的偏差
计算机视觉与模式识别
2022-06-15 v2 人工智能
摘要
人脸分析模型正日益应用于对人们生活有重大影响的现实场景中。然而,正如文献所示,自动分类人脸属性的模型可能针对受保护群体表现出算法歧视行为,对个人和社会造成潜在负面影响。因此,开发能够缓解人脸分类器中非预期偏差的技术至关重要。为此,在本工作中,我们引入一种结合基于人的主观标签与基于人脸特征数学定义的客观标注的新型学习方法。具体而言,我们从两个大规模人工标注数据集中生成新的客观标注,每个数据集捕捉所分析人脸特征的不同视角。随后我们提出一种集成学习方法,将基于不同类型标注训练的独立模型进行组合。我们提供了对标注过程及数据集分布的深入分析。此外,我们通过实验证明,通过引入标签多样性,我们的方法成功缓解了非预期偏差,同时在下游任务上保持了显著的准确率。
引用
@article{arxiv.2204.06364,
title = {Mitigating Bias in Facial Analysis Systems by Incorporating Label Diversity},
author = {Camila Kolling and Victor Araujo and Adriano Veloso and Soraia Raupp Musse},
journal= {arXiv preprint arXiv:2204.06364},
year = {2022}
}