論文の概要: Using Positive Matching Contrastive Loss with Facial Action Units to
mitigate bias in Facial Expression Recognition
- arxiv url: http://arxiv.org/abs/2303.04896v1
- Date: Wed, 8 Mar 2023 21:28:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-10 17:00:45.084824
- Title: Using Positive Matching Contrastive Loss with Facial Action Units to
mitigate bias in Facial Expression Recognition
- Title(参考訳): 表情認識におけるバイアス軽減のための顔動作単位との正のマッチング比較
- Authors: Varsha Suresh, Desmond C. Ong
- Abstract要約: 本稿では、モデルがドメイン知識を用いてタスク関連機能に焦点をあてることによりバイアスを軽減することを提案する。
本手法を用いてタスク関連機能を組み込むことで,最小コストでモデルフェアネスを向上させることができることを示す。
- 参考スコア(独自算出の注目度): 6.015556590955814
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Machine learning models automatically learn discriminative features from the
data, and are therefore susceptible to learn strongly-correlated biases, such
as using protected attributes like gender and race. Most existing bias
mitigation approaches aim to explicitly reduce the model's focus on these
protected features. In this work, we propose to mitigate bias by explicitly
guiding the model's focus towards task-relevant features using domain
knowledge, and we hypothesize that this can indirectly reduce the dependence of
the model on spurious correlations it learns from the data. We explore bias
mitigation in facial expression recognition systems using facial Action Units
(AUs) as the task-relevant feature. To this end, we introduce Feature-based
Positive Matching Contrastive Loss which learns the distances between the
positives of a sample based on the similarity between their corresponding AU
embeddings. We compare our approach with representative baselines and show that
incorporating task-relevant features via our method can improve model fairness
at minimal cost to classification performance.
- Abstract(参考訳): 機械学習モデルは、データから識別的特徴を自動的に学習するので、性別や人種などの保護された属性を使用するなど、強い相関を持つバイアスを学べる。
既存のバイアス軽減アプローチのほとんどは、これらの保護された機能に対するモデルの焦点を明示的に削減することを目的としている。
本研究では,モデルの焦点をドメイン知識を用いてタスク関連機能に明示的に導くことによりバイアスを軽減することを提案し,データから学習したスプリアス相関に対するモデル依存を間接的に低減できると仮定する。
顔動作単位(aus)をタスク関連機能として用いた表情認識システムにおけるバイアス軽減について検討する。
そこで本研究では,au埋め込み間の類似性に基づいてサンプルの正間の距離を学習する特徴ベース正一致比較損失を提案する。
提案手法を代表的ベースラインと比較し,本手法によるタスク関連機能を組み込むことで,最小コストでモデルフェアネスを向上させることができることを示す。
関連論文リスト
- Mitigating Feature Gap for Adversarial Robustness by Feature
Disentanglement [61.048842737581865]
逆方向の微調整法は, 逆方向の訓練方法で, 自然に事前訓練されたモデルを微調整することにより, 逆方向の強靭性を高めることを目的としている。
特徴ギャップの原因となる潜伏する特徴を明示的にモデル化し,取り除く,アンタングルメントに基づくアプローチを提案する。
3つのベンチマークデータセットに対する実証的な評価は、我々のアプローチが既存の逆方向の微調整法や逆方向のトレーニングベースラインを超えていることを示している。
論文 参考訳(メタデータ) (2024-01-26T08:38:57Z) - Toward Fair Facial Expression Recognition with Improved Distribution
Alignment [19.442685015494316]
本稿では,表情認識(FER)モデルにおけるバイアスを軽減する新しい手法を提案する。
本手法は、FERモデルによる埋め込みにおいて、性別、年齢、人種などの機密属性情報を低減することを目的としている。
ferモデルにおいて、魅力の概念を重要な感度属性として分析し、FERモデルがより魅力的な顔に対するバイアスを実際に示できることを実証する。
論文 参考訳(メタデータ) (2023-06-11T14:59:20Z) - Model Debiasing via Gradient-based Explanation on Representation [14.673988027271388]
本稿では,デリケートな属性やプロキシな属性に関して,デバイアスを行う新しいフェアネスフレームワークを提案する。
我々のフレームワークは、過去の最先端のアプローチよりも、構造化されていないデータセットと構造化されたデータセットの公平性と正確なトレードオフを達成しています。
論文 参考訳(メタデータ) (2023-05-20T11:57:57Z) - Bias Mitigation Framework for Intersectional Subgroups in Neural
Networks [4.757729624205252]
保護属性に関連付けられた交差部分群バイアスを緩和するフェアネス対応学習フレームワークを提案する。
提案手法は, 精度の低下をほとんど, あるいは全く起こさず, バイアスを低減するのに有効であることを示す。
論文 参考訳(メタデータ) (2022-12-26T04:58:11Z) - Cluster-level pseudo-labelling for source-free cross-domain facial
expression recognition [94.56304526014875]
表情認識のためのSFUDA法を提案する。
本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。
提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
論文 参考訳(メタデータ) (2022-10-11T08:24:50Z) - Contrastive Learning for Fair Representations [50.95604482330149]
訓練された分類モデルは、意図せずバイアスのある表現や予測につながる可能性がある。
対戦訓練のような既存の分類モデルのデバイアス化手法は、訓練に高価であり、最適化が困難であることが多い。
比較学習を取り入れたバイアス軽減手法を提案し、同じクラスラベルを共有するインスタンスに類似した表現を推奨する。
論文 参考訳(メタデータ) (2021-09-22T10:47:51Z) - Concurrent Discrimination and Alignment for Self-Supervised Feature
Learning [52.213140525321165]
既存の自己指導型学習手法は,(1)どの特徴が分離されるべきかを明確に示すこと,あるいは(2)どの特徴が閉じるべきかを明確に示すこと,のいずれかのプリテキストタスクを用いて学習する。
本研究では,識別・調整手法の正の側面を組み合わせて,上記の課題に対処するハイブリッド手法を設計する。
本手法は,識別的予測タスクによってそれぞれ反発とアトラクションのメカニズムを明確に特定し,ペアビュー間の相互情報を同時に最大化する。
確立された9つのベンチマーク実験により,提案モデルが自己監督と移動の既成結果より一貫して優れていることが示された。
論文 参考訳(メタデータ) (2021-08-19T09:07:41Z) - Learning Bias-Invariant Representation by Cross-Sample Mutual
Information Minimization [77.8735802150511]
対象タスクが誤用したバイアス情報を除去するために,クロスサンプル対逆脱バイアス法(CSAD)を提案する。
相関測定は, 対向的偏り評価において重要な役割を担い, クロスサンプル型相互情報推定器によって行われる。
我々は,提案手法の最先端手法に対する利点を検証するために,公開データセットの徹底的な実験を行った。
論文 参考訳(メタデータ) (2021-08-11T21:17:02Z) - Learning What Makes a Difference from Counterfactual Examples and
Gradient Supervision [57.14468881854616]
ニューラルネットワークの一般化能力を改善するための補助的学習目標を提案する。
我々は、異なるラベルを持つ最小差の例のペア、すなわち反ファクトまたはコントラストの例を使用し、タスクの根底にある因果構造を示す信号を与える。
このテクニックで訓練されたモデルは、配布外テストセットのパフォーマンスを向上させる。
論文 参考訳(メタデータ) (2020-04-20T02:47:49Z)
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。