面向公平性的人脸分析可靠且可复现的人口属性推断
计算机视觉与模式识别
2025-10-24 v1
摘要
人脸分析系统（FAS）中的公平性评估通常依赖于自动人口属性推断（DAI），而该推断本身又依赖于预定义的人口属性分段。然而，公平性审计的有效性依赖于DAI过程的可靠性。我们首先提供了对这种依赖性的理论动机，表明改进的DAI可靠性导致FAS公平性估计更不偏差且方差更小。为此，我们提出一种全新的可复现DAI管道，取代常规端到端训练，采用模块化迁移学习方法。我们的设计将预训练的人脸识别编码器与非线性分类头集成在一起。我们在三个维度上审计了该管道：准确性、公平性，以及一种新引入的鲁棒性概念——通过同一身份内一致性来定义。所提出的鲁棒性度量适用于任何人口属性分段方案。我们在多个数据集和训练设置上对该管道进行基准测试，评估性别和族群推断。我们的结果表明，所提方法在准确性方面优于强基线，尤其是在族群推断方面，这是更具挑战性的属性。为促进透明度和可复现性，我们将公开发布训练数据集的元数据、完整代码库、预训练模型以及评估工具包。本工作为人口属性推断在公平性审计中提供了可靠的基础。
引用
@article{arxiv.2510.20482,
title = {Reliable and Reproducible Demographic Inference for Fairness in Face Analysis},
author = {Alexandre Fournier-Montgieux and Hervé Le Borgne and Adrian Popescu and Bertrand Luvison},
journal= {arXiv preprint arXiv:2510.20482},
year = {2025}
}