論文の概要: On the "Illusion" of Gender Bias in Face Recognition: Explaining the Fairness Issue Through Non-demographic Attributes

• arxiv url: http://arxiv.org/abs/2501.12020v1
• Date: Tue, 21 Jan 2025 10:21:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-22 14:22:21.820293
• Title: On the "Illusion" of Gender Bias in Face Recognition: Explaining the Fairness Issue Through Non-demographic Attributes
• Title（参考訳）: 顔認識におけるジェンダーバイアスの「幻想」について--非デデマグラフィー属性によるフェアネス問題について
• Authors: Paul Jonas Kurz, Haiyu Wu, Kevin W. Bowyer, Philipp Terhörst,
• Abstract要約: 顔認識システムは、ユーザの性別に基づいて、かなりの精度の差を示す。 顔の属性を効果的にデコレーションし、集約し、バイアスの少ない性別分析を可能にするツールチェーンを提案する。 実験の結果,男女のイメージが特定の属性を共有すると,男女差は消失することがわかった。
• 参考スコア（独自算出の注目度）: 7.602456562464879
• License:
• Abstract: Face recognition systems (FRS) exhibit significant accuracy differences based on the user's gender. Since such a gender gap reduces the trustworthiness of FRS, more recent efforts have tried to find the causes. However, these studies make use of manually selected, correlated, and small-sized sets of facial features to support their claims. In this work, we analyse gender bias in face recognition by successfully extending the search domain to decorrelated combinations of 40 non-demographic facial characteristics. First, we propose a toolchain to effectively decorrelate and aggregate facial attributes to enable a less-biased gender analysis on large-scale data. Second, we introduce two new fairness metrics to measure fairness with and without context. Based on these grounds, we thirdly present a novel unsupervised algorithm able to reliably identify attribute combinations that lead to vanishing bias when used as filter predicates for balanced testing datasets. The experiments show that the gender gap vanishes when images of male and female subjects share specific attributes, clearly indicating that the issue is not a question of biology but of the social definition of appearance. These findings could reshape our understanding of fairness in face biometrics and provide insights into FRS, helping to address gender bias issues.
• Abstract（参考訳）: 顔認識システム(FRS)は、ユーザの性別に基づいて、かなりの精度の差を示す。 このような男女格差は、FRSの信頼性を低下させるため、近年ではその原因を見つけようと試みている。 しかし, これらの研究では, 手動で選択した, 相関のとれた, 小さい顔の特徴セットを用いて, 主張を裏付ける。 本研究では,検索領域を40種類の非デマグラフィー顔の特徴のデコリックな組み合わせに拡張することで,顔認識における性別バイアスを分析する。 まず, 顔の属性を効果的にデコレーションし, 集約するツールチェーンを提案し, 大規模データに対して, バイアスの少ない性別分析を可能にする。 第2に、文脈と無関係の公平度を測定するための2つの新しい公正度指標を導入する。 これらの根拠に基づいて、バランスの取れたテストデータセットのフィルタ述語として使われる場合、属性の組み合わせを確実に識別できる新しい教師なしアルゴリズムを第3に提示する。 実験の結果、男女の男女差は、男女のイメージが特定の属性を共有したときに消失することを示し、問題が生物学の問題ではなく、外観の社会的定義の問題であることを明らかに示している。 これらの発見は、顔のバイオメトリックスにおける公正さに対する理解を再構築し、FRSに関する洞察を与え、性別バイアスの問題に対処するのに役立つかもしれない。

関連論文リスト

• FineFACE: Fair Facial Attribute Classification Leveraging Fine-grained Features [3.9440964696313485]
  自動的な顔属性分類アルゴリズムでは、人口統計バイアスの存在が強調されている。 既存のバイアス緩和技術は、一般に人口統計学的なアノテーションを必要とし、しばしば公正性と正確性の間のトレードオフを得る。 そこで本稿では, 顔属性の公平な分類法を, きめ細かな分類問題とみなして提案する。
  論文  参考訳（メタデータ） (2024-08-29T20:08:22Z)
• GenderBias-\emph{VL}: Benchmarking Gender Bias in Vision Language Models via Counterfactual Probing [72.0343083866144]
  本稿では,GenderBias-emphVLベンチマークを用いて,大規模視覚言語モデルにおける職業関連性バイアスの評価を行う。 ベンチマークを用いて15のオープンソースLVLMと最先端の商用APIを広範囲に評価した。 既存のLVLMでは男女差が広くみられた。
  論文  参考訳（メタデータ） (2024-06-30T05:55:15Z)
• Are Face Detection Models Biased? [69.68854430664399]
  顔領域の局所化による顔検出領域のバイアスについて検討した。 既存の顔検出データセットの多くは、このような分析に適したアノテーションを欠いている。 性別や肌の音色による検出精度の相違を観察し, 画像診断以外の要因の相互関係を考察した。
  論文  参考訳（メタデータ） (2022-11-07T14:27:55Z)
• Mitigating Gender Bias in Face Recognition Using the von Mises-Fisher Mixture Model [7.049738935364298]
  本研究では,ディープ顔認識ネットワークの性別バイアスについて検討する。 幾何学的考察により、新しいポストプロセッシング手法により性別バイアスを緩和する。 実際、様々なデータセットに関する広範な数値実験は、慎重に選択することで性バイアスが大幅に減少することを示している。
  論文  参考訳（メタデータ） (2022-10-24T23:53:56Z)
• Gender Stereotyping Impact in Facial Expression Recognition [1.5340540198612824]
  近年,機械学習に基づくモデルが表情認識(FER)における最も一般的なアプローチとなっている。 公開可能なFERデータセットでは、見かけ上の性別表現は概ねバランスが取れているが、個々のラベルでの性別表現はそうではない。 我々は、特定のラベルの性別比を変化させることで、異なる量のステレオタイプバイアスを持つ微分データセットを生成する。 我々は、最低バイアス条件下で、性別間の特定の感情の認識において、最大で29 % の差を観察する。
  論文  参考訳（メタデータ） (2022-10-11T10:52:23Z)
• The Gender Gap in Face Recognition Accuracy Is a Hairy Problem [8.768049933358968]
  まず、男女の髪型が顔の認識精度に影響を及ぼす重要な違いがあることを実証する。 そして、認識精度を推定するために使用されるデータが、髪型が顔を妨げるかによって性別間でバランスが取れている場合、当初観察された精度の男女差が大きく消失することを示した。
  論文  参考訳（メタデータ） (2022-06-10T04:32:47Z)
• 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)
• 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)
• Mitigating Gender Bias in Captioning Systems [56.25457065032423]
  ほとんどのキャプションモデルは性別バイアスを学習し、特に女性にとって高い性別予測エラーにつながる。 本稿では, 視覚的注意を自己指導し, 正しい性的な視覚的証拠を捉えるためのガイド付き注意画像キャプチャーモデル(GAIC)を提案する。
  論文  参考訳（メタデータ） (2020-06-15T12:16:19Z)
• Towards Gender-Neutral Face Descriptors for Mitigating Bias in Face Recognition [51.856693288834975]
  最先端のディープネットワークは、顔認識のために訓練されている間、性別情報を暗黙的にエンコードする。 ジェンダーは顔を識別する上で重要な属性と見なされることが多い。 本稿では,顔ディスクリプタに存在する性別情報を減らすために,新たにAGENDA(Adversarial Gender De-biasing Algorithm)を提案する。
  論文  参考訳（メタデータ） (2020-06-14T08:54:03Z)

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。

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。