SHaSaM：面向公平人脸属性识别的亚调和硬样本挖掘

深度神经网络在模型训练过程中常会继承标注数据中的社会和人口统计偏见，导致预测结果不公平，尤其是在涉及种族、年龄、性别等敏感属性时。现有方法受数据组之间固有不平衡的制约，潜意识地强化了敏感属性，恶化了不公平性和性能问题。为克服这些挑战，我们提出了SHaSaM（Submodular Hard Sample Mining），一种新的组合方法，将公平性驱动的表征学习建模为亚调和硬样本挖掘问题。我们的方法包含两个阶段：SHaSaM-MINE引入亚调和子集选择策略，以挖掘硬正样本和硬负样本，从而有效缓解数据不平衡问题；SHaSaM-LEARN则基于亚调和条件互信息，引入一系列组合损失函数，以最大化目标类别之间的决策边界，同时最小化敏感属性的影响。这种统一的表述限制了模型学习与敏感属性相关的特征，从而在不牺牲性能的前提下显著提升公平性。在CelebA和UTKFace数据集上的实验表明，SHaSaM取得了最新的成果，相较于现有方法，在更少的训练周期内，模型公平性（Equalized Odds）提升最高可达2.7分，准确率提升3.5%。