論文の概要: Fair and accurate age prediction using distribution aware data curation and augmentation

• arxiv url: http://arxiv.org/abs/2009.05283v6
• Date: Tue, 16 Nov 2021 10:25:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-19 20:40:55.371811
• Title: Fair and accurate age prediction using distribution aware data curation and augmentation
• Title（参考訳）: 分布認識データキュレーションと拡張を用いた公正かつ正確な年齢予測
• Authors: Yushi Cao, David Berend, Palina Tolmach, Guy Amit, Moshe Levy, Yang Liu, Asaf Shabtai, Yuval Elovici
• Abstract要約: 年齢予測は、オープンな研究問題のままの公平性の問題において特に難しい応用である。 年齢予測法における不公平行動の主な原因の1つは、トレーニングデータの分布と多様性にある。 公平性を高めるために、データセットキュレーションとデータ拡張の2つの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）: 42.98202989683421
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning-based facial recognition systems have experienced increased media attention due to exhibiting unfair behavior. Large enterprises, such as IBM, shut down their facial recognition and age prediction systems as a consequence. Age prediction is an especially difficult application with the issue of fairness remaining an open research problem (e.g., predicting age for different ethnicity equally accurate). One of the main causes of unfair behavior in age prediction methods lies in the distribution and diversity of the training data. In this work, we present two novel approaches for dataset curation and data augmentation in order to increase fairness through balanced feature curation and increase diversity through distribution aware augmentation. To achieve this, we introduce out-of-distribution detection to the facial recognition domain which is used to select the data most relevant to the deep neural network's (DNN) task when balancing the data among age, ethnicity, and gender. Our approach shows promising results. Our best-trained DNN model outperformed all academic and industrial baselines in terms of fairness by up to 4.92 times and also enhanced the DNN's ability to generalize outperforming Amazon AWS and Microsoft Azure public cloud systems by 31.88% and 10.95%, respectively.
• Abstract（参考訳）: 深層学習に基づく顔認識システムは、不公平な振る舞いを示すため、メディアの注目を集めている。 ibmのような大企業は、結果として顔認識と年齢予測システムをシャットダウンした。 年齢予測は特に困難な応用であり、公平性はオープンリサーチの問題のままである(例えば、異なる民族の年齢を等しく正確に予測する)。 年齢予測手法における不公平な行動の主な原因の1つは、トレーニングデータの分布と多様性にある。 本研究では,バランスの取れた特徴キュレーションによる公平性の向上と,分布意識の増大による多様性の向上を目的として,データセットキュレーションとデータ拡張の2つの新しいアプローチを提案する。 これを実現するために、年齢、民族、性別のバランスをとる際に、ディープニューラルネットワーク(DNN)タスクに最も関係のあるデータを選択するために使用される顔認識領域に、アウト・オブ・ディストリビューション検出を導入する。 我々のアプローチは有望な結果を示している。 我々の最も訓練されたDNNモデルは、フェアネスの点ですべての学術的および産業的ベースラインを最大4.92倍に上回り、DNNの能力は、それぞれ31.88%と10.95%に向上した。

関連論文リスト

• Improving Bias in Facial Attribute Classification: A Combined Impact of KL Divergence induced Loss Function and Dual Attention [3.5527561584422465]
  初期のシステムは、特に性別や人種の分類において、しばしば人口統計上の偏見を示しており、肌の色合いが暗い女性や個人の精度は低かった。 本稿では,KL分割正規化とクロスエントロピー損失関数によって強化された,事前学習型Inception-ResNet V1モデルを用いた二重注意機構を用いた手法を提案する。 実験の結果,公正度と分類精度の両面で有意な改善が見られ,偏見に対処し,顔認識システムの信頼性を高めることが期待できる。
  論文  参考訳（メタデータ） (2024-10-15T01:29:09Z)
• Biasing & Debiasing based Approach Towards Fair Knowledge Transfer for Equitable Skin Analysis [16.638722872021095]
  学生ネットワークに公平な知識を伝達する2バイアスの教師のアプローチを提案する。 本手法は,学生ネットワークに存在するバイアスを,予測精度を損なうことなく軽減する。
  論文  参考訳（メタデータ） (2024-05-16T17:02:23Z)
• Learning for Counterfactual Fairness from Observational Data [62.43249746968616]
  公正な機械学習は、人種、性別、年齢などの特定の保護された(感受性のある)属性によって記述されるある種のサブグループに対して、学習モデルのバイアスを取り除くことを目的としている。 カウンターファクトフェアネスを達成するための既存の手法の前提条件は、データに対する因果モデルの事前の人間の知識である。 本研究では,新しいフレームワークCLAIREを提案することにより,因果関係を付与せずに観測データから対実的に公正な予測を行う問題に対処する。
  論文  参考訳（メタデータ） (2023-07-17T04:08:29Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• Deep Learning on a Healthy Data Diet: Finding Important Examples for Fairness [15.210232622716129]
  データ駆動予測ソリューションは、主に商用アプリケーションで使われているが、バイアスやステレオタイプに悩まされる傾向がある。 データ拡張は、トレーニングデータセットに反実例を追加することで、性別バイアスを低減する。 拡張データセットのいくつかの例は、公平性には重要でも有害でもないことを示します。
  論文  参考訳（メタデータ） (2022-11-20T22:42:30Z)
• Balancing Biases and Preserving Privacy on Balanced Faces in the Wild [50.915684171879036]
  現在の顔認識(FR)モデルには、人口統計バイアスが存在する。 さまざまな民族と性別のサブグループにまたがる偏見を測定するために、我々のバランス・フェイススをWildデータセットに導入します。 真偽と偽のサンプルペアを区別するために1点のスコアしきい値に依存すると、最適以下の結果が得られます。 本稿では,最先端ニューラルネットワークから抽出した顔特徴を用いたドメイン適応学習手法を提案する。
  論文  参考訳（メタデータ） (2021-03-16T15:05:49Z)
• The Age of Correlated Features in Supervised Learning based Forecasting [14.471447024994113]
  本稿では,情報新鮮度が教師あり学習に基づく予測に与える影響を分析する。 これらの応用において、ニューラルネットワークは、複数の相関した特徴に基づいて時間変化目標(例えば、太陽エネルギー)を予測するように訓練される。 情報理論的なアプローチを用いて,最小の学習損失が特徴の年齢の関数であることを証明した。
  論文  参考訳（メタデータ） (2021-02-27T00:10:49Z)
• Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
  ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。 彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。 本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
  論文  参考訳（メタデータ） (2021-02-22T07:02:37Z)
• Enhancing Facial Data Diversity with Style-based Face Aging [59.984134070735934]
  特に、顔データセットは、通常、性別、年齢、人種などの属性の観点からバイアスされる。 本稿では, 細粒度の老化パターンをキャプチャするデータ拡張のための, 生成スタイルに基づく新しいアーキテクチャを提案する。 提案手法は, 年齢移動のための最先端アルゴリズムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-06-06T21:53:44Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。