揭示面部表情中的偏差

过去几十年间，机器学习与深度学习界在图像分类等挑战性任务上取得了巨大成就。人工神经网络深度架构加之海量可用数据，使得刻画高度复杂的关系成为可能。然而，仍不可能完全捕捉深度学习模型所学内容，并验证其公平运行且未产生偏差，尤其在关键任务中，例如医学领域出现的那些任务。此类任务的一个例子是检测面部图像中称为动作单元（Action Units）的特异面部表情。针对这一具体任务，我们的研究旨在提供关于偏差的透明度，特别是与性别和肤色相关的偏差。我们训练了一个用于动作单元分类的神经网络，并基于准确率对其性能进行定量分析和基于热图的定性分析。对我们结果的结构化回顾表明，我们能够检测到偏差。尽管无法从结果断定较低的分类性能仅源于性别与肤色偏差，这些偏差必须被解决，因此我们最后给出如何避免所检测偏差的建议。