伦理面脸年龄估计：面向儿童数据零样本学习的通用基准

面脸年龄估计通常依赖包含未成年人图像的训练数据，这做法引发了严重的伦理、法律和隐私顾虑。本文提出一个面向儿童数据零样本学习的通用基准，旨在训练时明确排除儿童数据，同时仍能评估模型在年轻人群中的性能。我们 revisit 了六个广泛使用的数据集，并引入标准化的划分，严格区分年龄群体：训练、验证和测试使用 18-59 岁样本；18 岁以下样本仅用于零样本评估；60 岁以上样本作为分布迁移下的未见验证集用于模型选择。对于具有身份标注的数据集，采用 subject-exclusive 的划分可防止身份泄漏，更贴近实际部署条件。在该协议下评估九种 state-of-the-art 年龄估计方法，结果显示所有评估方法在未见年龄群体上的泛化性 consistently fail，性能下降平均 46.4%，最高可达 52.8%——显著低于监督基线。此外，模型并非简单退化：它们系统性地将未见年龄的预测锚定到相邻已知类别，这是广义零样本学习中常见的已知类别偏差的体现。通过将不使用儿童数据建模formalized为现有数据集上的广义零样本基准，本工作凸显了当前建模实践与现实伦理约束之间的关键差距。我们的基准为受限数据情境下评估模型提供了原则性依据，并鼓励开发鲁棒性强、符合负责任数据使用的模型。