論文の概要: Mitigating Bias in Facial Analysis Systems by Incorporating Label Diversity

• arxiv url: http://arxiv.org/abs/2204.06364v1
• Date: Wed, 13 Apr 2022 13:17:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-14 12:40:50.080424
• Title: Mitigating Bias in Facial Analysis Systems by Incorporating Label Diversity
• Title（参考訳）: ラベル多様性を考慮した顔分析システムにおけるバイアス軽減
• Authors: Camila Kolling, Victor Araujo, Adriano Veloso and Soraia Raupp Musse
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 4.089080285684415
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Facial analysis models are increasingly applied in real-world applications that have significant impact on peoples' lives. However, as previously shown, models that automatically classify facial attributes might exhibit algorithmic discrimination behavior with respect to protected groups, potentially posing negative impacts on individuals and society. It is therefore critical to develop techniques that can mitigate unintended biases in facial classifiers. Hence, in this work, we introduce a novel learning method that combines both subjective human-based labels and objective annotations based on mathematical definitions of facial traits. Specifically, we generate new objective annotations from a large-scale human-annotated dataset, each capturing a different perspective of the analyzed facial trait. We then propose an ensemble learning method, which combines individual models trained on different types of annotations. We provide an in-depth analysis of the annotation procedure as well as the dataset distribution. Moreover, we empirically demonstrate that, by incorporating label diversity, and without additional synthetic images, our method successfully mitigates unintended biases, while maintaining significant accuracy on the downstream task.
• Abstract（参考訳）: 顔分析モデルは、人々の生活に大きな影響を与える現実世界のアプリケーションにますます応用されている。 しかし、前述のように、顔の特徴を自動的に分類するモデルは、保護されたグループに対するアルゴリズムによる識別行動を示し、個人や社会に悪影響を及ぼす可能性がある。 したがって、顔分類器の意図しない偏見を軽減する技術を開発することが重要である。 そこで本研究では,顔の特徴の数学的定義に基づく,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。 具体的には、大規模人間の注釈付きデータセットから新たな客観的アノテーションを生成し、分析された顔の特徴の異なる視点をキャプチャする。 次に,異なる種類のアノテーションで訓練された個々のモデルを組み合わせたアンサンブル学習手法を提案する。 アノテーションの手順とデータセットの分布を詳細に分析する。 さらに,ラベルの多様性を取り入れ,付加的な合成画像がなければ意図しないバイアスを軽減し,下流タスクの精度を高く保ちながら実証的に実証する。

関連論文リスト

• Balancing the Scales: Enhancing Fairness in Facial Expression Recognition with Latent Alignment [5.784550537553534]
  このワークル平均は、表情認識システムにおけるバイアスを軽減するために、潜在空間に基づく表現学習を行う。 また、ディープラーニングモデルの公平性と全体的な正確性も向上する。
  論文  参考訳（メタデータ） (2024-10-25T10:03:10Z)
• Gender Biases in Automatic Evaluation Metrics for Image Captioning [87.15170977240643]
  画像キャプションタスクのためのモデルに基づく評価指標において、性別バイアスの体系的研究を行う。 偏りのある世代と偏りのない世代を区別できないことを含む、これらの偏りのあるメトリクスを使用することによる負の結果を実証する。 人間の判断と相関を損なうことなく、測定バイアスを緩和する簡便で効果的な方法を提案する。
  論文  参考訳（メタデータ） (2023-05-24T04:27:40Z)
• Towards an objective characterization of an individual's facial movements using Self-Supervised Person-Specific-Models [0.3441021278275805]
  本稿では,他の顔の特徴とは無関係に顔の動きを学習するための新しい訓練手法を提案する。 個人毎の1つのモデルは、人のアイデンティティとは無関係に、顔の動きの埋め込みを抽出することを学ぶことができる。 このアプローチは、新しい個人に対して容易に拡張可能であり、一般化可能であるという量的および質的な証拠を提示する。
  論文  参考訳（メタデータ） (2022-11-15T16:30:24Z)
• CIAO! A Contrastive Adaptation Mechanism for Non-Universal Facial Expression Recognition [80.07590100872548]
  本稿では、顔エンコーダの最後の層に異なるデータセットの特定の感情特性を適応させるメカニズムであるContrastive Inhibitory Adaptati On(CIAO)を提案する。 CIAOは、非常にユニークな感情表現を持つ6つの異なるデータセットに対して、表情認識性能が改善されている。
  論文  参考訳（メタデータ） (2022-08-10T15:46:05Z)
• 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)
• Anatomizing Bias in Facial Analysis [86.79402670904338]
  既存の顔分析システムでは、特定の集団群に対して偏りのある結果が得られることが示されている。 これらのシステムは、個人の性別、アイデンティティ、肌のトーンに基づいて差別されないようにすることが義務づけられている。 これはAIシステムにおけるバイアスの識別と緩和の研究につながった。
  論文  参考訳（メタデータ） (2021-12-13T09:51:13Z)
• Information-Theoretic Bias Assessment Of Learned Representations Of Pretrained Face Recognition [18.07966649678408]
  保護された人口統計属性に対するバイアスの度合いを特定するために,情報理論,独立バイアス評価指標を提案する。 我々の測定基準は、分類精度に依存する他の方法と異なり、浅いネットワークを用いて予測される保護属性の予測ラベルと地上の真実の差を調べる。
  論文  参考訳（メタデータ） (2021-11-08T17:41:17Z)
• Unravelling the Effect of Image Distortions for Biased Prediction of Pre-trained Face Recognition Models [86.79402670904338]
  画像歪みの存在下での4つの最先端深層顔認識モデルの性能評価を行った。 我々は、画像歪みが、異なるサブグループ間でのモデルの性能ギャップと関係していることを観察した。
  論文  参考訳（メタデータ） (2021-08-14T16:49:05Z)
• Pre-training strategies and datasets for facial representation learning [58.8289362536262]
  いくつかの顔分析タスクやデータセットに適用可能な普遍的な顔表現の探索方法を示す。 顔に適応する2つの大規模表現学習を体系的に検討する。 私たちの主な2つの発見は以下の通りです: 完全にインザワイルドな未処理データに対する教師なし事前トレーニングは一貫性を提供し、場合によっては大幅な精度向上をもたらします。
  論文  参考訳（メタデータ） (2021-03-30T17:57:25Z)
• Model-agnostic Fits for Understanding Information Seeking Patterns in Humans [0.0]
  不確実な意思決定タスクでは、人間はそのタスクに関連する情報を探し、統合し、行動する際、特徴的なバイアスを示す。 ここでは,これらのバイアスを総合的に測定・分類した,大規模に収集した先行設計実験のデータを再検討した。 これらのバイアスを集約的に再現するディープラーニングモデルを設計し、個々の行動の変化を捉えます。
  論文  参考訳（メタデータ） (2020-12-09T04:34:58Z)

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。