Fugu-MT 論文翻訳(概要): Stereotype-Free Classification of Fictitious Faces

論文の概要: Stereotype-Free Classification of Fictitious Faces

arxiv url: http://arxiv.org/abs/2005.02157v1
Date: Wed, 29 Apr 2020 04:37:54 GMT
ステータス: 処理完了
システム内更新日: 2022-12-08 10:15:26.421291
Title: Stereotype-Free Classification of Fictitious Faces
Title（参考訳）: 架空の顔のステレオタイプフリー分類
Authors: Mohammadhossein Toutiaee, Soheyla Amirian, John A. Miller, Sheng Li
Abstract要約: ステレオタイピングは別の差別の源であり、文学ではまだ研究されていない。統計的アプローチを用いて、架空の顔分類タスクに対する人間の影響を排除することが可能である。本稿では, ステレオタイプフリーなGAN合成非ラベル画像へのペナル化回帰による新しいアプローチを提案する。
参考スコア（独自算出の注目度）: 5.517407557198705
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Equal Opportunity and Fairness are receiving increasing attention in artificial intelligence. Stereotyping is another source of discrimination, which yet has been unstudied in literature. GAN-made faces would be exposed to such discrimination, if they are classified by human perception. It is possible to eliminate the human impact on fictitious faces classification task by the use of statistical approaches. We present a novel approach through penalized regression to label stereotype-free GAN-generated synthetic unlabeled images. The proposed approach aids labeling new data (fictitious output images) by minimizing a penalized version of the least squares cost function between realistic pictures and target pictures.
Abstract（参考訳）: 平等な機会と公平さは、人工知能で注目を集めています。ステレオタイプは別の差別の源であり、文献には未詳である。 gan製の顔は、人間の知覚によって分類された場合、そのような差別にさらされる。統計的アプローチを用いることで、架空の顔分類タスクに対する人間の影響を排除することができる。本稿では, ステレオタイプフリーなGAN合成非ラベル画像へのペナル化回帰による新しいアプローチを提案する。提案手法は,実画像と対象画像の間の最小二乗関数のペナルティ化を最小化することにより,新たなデータ(劇的な出力画像)のラベル付けを支援する。

関連論文リスト

Semantic Contextualization of Face Forgery: A New Definition, Dataset, and Detection Method [77.65459419417533]
我々は,顔フォージェリを意味的文脈に配置し,意味的顔属性を変更する計算手法が顔フォージェリの源であることを定義した。階層的なグラフで整理されたラベルの集合に各画像が関連付けられている大規模な顔偽画像データセットを構築した。本稿では,ラベル関係を捕捉し,その優先課題を優先するセマンティクス指向の顔偽造検出手法を提案する。
論文参考訳（メタデータ） (2024-05-14T10:24:19Z)
Adv-Diffusion: Imperceptible Adversarial Face Identity Attack via Latent Diffusion Model [61.53213964333474]
本稿では,生の画素空間ではなく,潜在空間における非知覚的対角的アイデンティティ摂動を生成できる統一的なフレームワークAdv-Diffusionを提案する。具体的には,周囲のセマンティックな摂動を生成するために,個人性に敏感な条件付き拡散生成モデルを提案する。設計された適応強度に基づく対向摂動アルゴリズムは、攻撃の伝達性とステルス性の両方を確保することができる。
論文参考訳（メタデータ） (2023-12-18T15:25:23Z)
Leveraging Diffusion Perturbations for Measuring Fairness in Computer Vision [25.414154497482162]
拡散モデルを利用してそのようなデータセットを作成できることを実証する。マルチクラスの職業分類タスクにおいて,複数の視覚言語モデルをベンチマークする。非コーカサスラベルで生成された画像は、コーカサスラベルで生成された画像よりも、職業的誤分類率が高いことが判明した。
論文参考訳（メタデータ） (2023-11-25T19:40:13Z)
Evaluating the Fairness of Discriminative Foundation Models in Computer Vision [51.176061115977774]
本稿では,CLIP (Contrastive Language-Pretraining) などの差別基盤モデルのバイアス評価のための新しい分類法を提案する。そして、これらのモデルにおけるバイアスを緩和するための既存の手法を分類学に関して体系的に評価する。具体的には,ゼロショット分類,画像検索,画像キャプションなど,OpenAIのCLIPとOpenCLIPモデルをキーアプリケーションとして評価する。
論文参考訳（メタデータ） (2023-10-18T10:32:39Z)
Partial Label Supervision for Agnostic Generative Noisy Label Learning [18.29334728940232]
ノイズラベル学習は差別的アプローチと生成的アプローチの両方に取り組んできた。本稿では,これらの課題に対処する生成ノイズラベル学習のための新しい枠組みを提案する。
論文参考訳（メタデータ） (2023-08-02T14:48:25Z)
Adaptive Face Recognition Using Adversarial Information Network [57.29464116557734]
顔認識モデルは、トレーニングデータがテストデータと異なる場合、しばしば退化する。本稿では,新たな敵情報ネットワーク(AIN)を提案する。
論文参考訳（メタデータ） (2023-05-23T02:14:11Z)
Towards Intrinsic Common Discriminative Features Learning for Face Forgery Detection using Adversarial Learning [59.548960057358435]
本稿では, 対人学習を利用して, 異なる偽造法と顔の同一性による負の効果を除去する手法を提案する。我々の顔偽造検出モデルは、偽造法や顔の同一性の影響を排除し、共通の識別的特徴を抽出することを学ぶ。
論文参考訳（メタデータ） (2022-07-08T09:23:59Z)
Mitigating Bias in Facial Analysis Systems by Incorporating Label Diversity [4.089080285684415]
本研究では,顔の特徴の数学的定義に基づいて,主観的人間に基づくラベルと客観的アノテーションを組み合わせた新しい学習手法を提案する。提案手法は,下流タスクの精度を高く保ちながら,意図しないバイアスを軽減できる。
論文参考訳（メタデータ） (2022-04-13T13:17:27Z)
Minimax Active Learning [61.729667575374606]
アクティブラーニングは、人間のアノテーションによってラベル付けされる最も代表的なサンプルをクエリすることによって、ラベル効率の高いアルゴリズムを開発することを目指している。現在のアクティブラーニング技術は、最も不確実なサンプルを選択するためにモデルの不確実性に頼るか、クラスタリングを使うか、最も多様なラベルのないサンプルを選択するために再構築する。我々は,不確実性と多様性を両立させる半教師付きミニマックスエントロピーに基づく能動学習アルゴリズムを開発した。
論文参考訳（メタデータ） (2020-12-18T19:03:40Z)
Demographics Should Not Be the Reason of Toxicity: Mitigating Discrimination in Text Classifications with Instance Weighting [36.87473475196733]
テキスト分類データセットにおける意図しないバイアスを,非識別分布から識別分布への選択バイアスの一種として定式化する。本手法は, モデル一般化能力を著しく損なうことなく, 意図しないバイアスの影響を効果的に緩和することができる。
論文参考訳（メタデータ） (2020-04-29T11:22:19Z)
Asymmetric Rejection Loss for Fairer Face Recognition [1.52292571922932]
訓練データセットの人種的不均衡により、異なる民族集団間での顔認識性能の違いが示されている。これは実際には、顔のデータセットが通常収集されるセロブドムにおける非コーカサス民族集団の下位表現にシンプトマティックである。本研究は,非表示群をフル活用することを目的とした非対称リジェクションロスを提案する。
論文参考訳（メタデータ） (2020-02-09T04:01:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。