模型压缩对面部表情识别公平性的影响
计算机视觉与模式识别
2022-01-06 v1 机器学习
摘要
深度神经网络已被证明极为成功，在多种任务上达到了类人表现。然而，它们计算开销也很大，这促使了模型压缩技术的发展，以降低深度学习模型相关的资源消耗。尽管如此，近期研究表明模型压缩会对算法公平性产生不利影响，放大机器学习模型中已有的偏见。本项目旨在将这些研究扩展至面部表情识别场景。为此，我们搭建了一个神经网络分类器来执行面部表情识别，并在其上实现了若干模型压缩技术。随后我们在两个面部表情数据集（即扩展Cohn-Kanade数据集（CK+DB）和真实世界情感面孔数据库（RAF-DB））上开展实验，考察压缩技术对模型大小、准确性和公平性的单独及联合影响。实验结果表明：(i) 压缩与量化在CK+DB和RAF-DB上均以对整体准确性极小的影响实现了模型大小的显著缩减；(ii) 在模型准确性方面，在RAF-DB上训练并测试的分类器相比CK+DB似乎对压缩更具鲁棒性；(iii) 对于RAF-DB，不同压缩策略似乎并未增大性别、种族和年龄等敏感属性间预测性能的差距，这与CK+DB上的结果相反，后者中压缩似乎放大了性别方面的已有偏见。我们对结果进行了分析并探讨了产生这些发现的潜在原因。
引用
@article{arxiv.2201.01709,
title = {The Effect of Model Compression on Fairness in Facial Expression Recognition},
author = {Samuil Stoychev and Hatice Gunes},
journal= {arXiv preprint arXiv:2201.01709},
year = {2022}
}