迈向公平的情感机器人：用于缓解面部表情与动作单元识别偏差的持续学习
计算机视觉与模式识别
2021-03-18 v1 机器学习
机器人学
摘要
随着情感机器人日益成为人类生活的重要组成部分，这些智能体必须能够公平地评估人类情感表达，而不对特定人口统计群体产生歧视。鉴于机器学习（ML）系统中的偏差是一个关键问题，人们已提出不同方法在数据和算法层面缓解模型中的此类偏差。在本工作中，我们提出将持续学习（CL）作为一种有效策略，以增强面部表情识别（FER）系统的公平性，防范由数据分布不平衡引起的偏差。我们使用各自流行的基准数据集 RAF-DB 和 BP4D，在表情识别和动作单元（AU）检测任务上，将不同最先进的偏差缓解方法与基于 CL 的公平性策略进行比较。我们的实验表明，基于 CL 的方法平均优于流行的偏差缓解技术，这强化了进一步研究 CL 以开发更公平的 FER 算法的必要性。
引用
@article{arxiv.2103.09233,
title = {Towards Fair Affective Robotics: Continual Learning for Mitigating Bias in Facial Expression and Action Unit Recognition},
author = {Ozgur Kara and Nikhil Churamani and Hatice Gunes},
journal= {arXiv preprint arXiv:2103.09233},
year = {2021}
}
备注
Accepted at the Workshop on Lifelong Learning and Personalization in Long-Term Human-Robot Interaction (LEAP-HRI) at the 16th ACM/IEEE International Conference on Human-Robot Interaction (HRI), 2021. arXiv admin note: substantial text overlap with arXiv:2103.08637