論文の概要: Component-Based Fairness in Face Attribute Classification with Bayesian Network-informed Meta Learning

• arxiv url: http://arxiv.org/abs/2505.01699v1
• Date: Sat, 03 May 2025 05:26:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-06 18:49:35.23407
• Title: Component-Based Fairness in Face Attribute Classification with Bayesian Network-informed Meta Learning
• Title（参考訳）: Bayesian Network-informed Meta Learning を用いた顔属性分類におけるコンポーネントベースフェアネス
• Authors: Yifan Liu, Ruichen Yao, Yaokun Liu, Ruohan Zong, Zelin Li, Yang Zhang, Dong Wang,
• Abstract要約: 生体顔の特徴によって定義される公平性の概念である顔成分の公平性に注目した。 我々はtextbfBayesian textbfNetwork-informed textbfMeta textbfReweighting (BNMR)を提案する。 BNMRはベイズネットワークキャリブレータを内蔵し、適応的なメタラーニングに基づくサンプル再重み付けプロセスを導く。
• 参考スコア（独自算出の注目度）: 12.863447377767182
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The widespread integration of face recognition technologies into various applications (e.g., access control and personalized advertising) necessitates a critical emphasis on fairness. While previous efforts have focused on demographic fairness, the fairness of individual biological face components remains unexplored. In this paper, we focus on face component fairness, a fairness notion defined by biological face features. To our best knowledge, our work is the first work to mitigate bias of face attribute prediction at the biological feature level. In this work, we identify two key challenges in optimizing face component fairness: attribute label scarcity and attribute inter-dependencies, both of which limit the effectiveness of bias mitigation from previous approaches. To address these issues, we propose \textbf{B}ayesian \textbf{N}etwork-informed \textbf{M}eta \textbf{R}eweighting (BNMR), which incorporates a Bayesian Network calibrator to guide an adaptive meta-learning-based sample reweighting process. During the training process of our approach, the Bayesian Network calibrator dynamically tracks model bias and encodes prior probabilities for face component attributes to overcome the above challenges. To demonstrate the efficacy of our approach, we conduct extensive experiments on a large-scale real-world human face dataset. Our results show that BNMR is able to consistently outperform recent face bias mitigation baselines. Moreover, our results suggest a positive impact of face component fairness on the commonly considered demographic fairness (e.g., \textit{gender}). Our findings pave the way for new research avenues on face component fairness, suggesting that face component fairness could serve as a potential surrogate objective for demographic fairness. The code for our work is publicly available~\footnote{https://github.com/yliuaa/BNMR-FairCompFace.git}.
• Abstract（参考訳）: 顔認識技術が様々なアプリケーション(例えば、アクセス制御やパーソナライズされた広告など)に広く統合されるためには、公平性に重点を置く必要がある。 これまでの取り組みは、人口統計学的公正に焦点を当ててきたが、個々の生物学的顔成分の公平性は未解明のままである。 本稿では,生物の顔の特徴によって定義される公平性の概念である顔成分の公平性に着目した。 我々の知る限りでは、私たちの研究は、生物学的特徴レベルでの顔属性予測のバイアスを軽減するための最初の研究である。 本研究では,顔成分のフェアネスを最適化する上で,属性ラベルの不足と属性間依存関係という2つの重要な課題を特定する。 これらの問題に対処するために,ベイズネットワークキャリブレータを組み込んだ,適応型メタラーニングに基づくサンプル再重み付けプロセスのガイドとして,textbf{B}ayesian \textbf{N}etwork-informed \textbf{M}eta \textbf{R}eweighting (BNMR)を提案する。 アプローチのトレーニング過程において,ベイジアンネットワークキャリブレータはモデルバイアスを動的に追跡し,顔成分属性の事前確率を符号化し,上記の課題を克服する。 提案手法の有効性を実証するため,大規模な実世界のヒューマン・フェイス・データセットを用いた広範囲な実験を行った。 以上の結果から,BNMRは近年の顔偏差緩和ベースラインを一貫して上回っていることが明らかとなった。 さらに, 顔成分の公平さが, 一般に考慮されている人口動態の公平性(eg , \textit{gender})に及ぼす影響が示唆された。 我々の研究は、顔成分の公平性に関する新たな研究の道を開くものであり、顔成分の公平性は、人口統計学的公正性の補助的目的として役立つ可能性があることを示唆している。 私たちの研究のコードは ~\footnote{https://github.com/yliuaa/BNMR-FairCompFace.git} で公開されています。

関連論文リスト

• On the "Illusion" of Gender Bias in Face Recognition: Explaining the Fairness Issue Through Non-demographic Attributes [7.602456562464879]
  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。
  論文  参考訳（メタデータ） (2025-01-21T10:21:19Z)
• Fairer Analysis and Demographically Balanced Face Generation for Fairer Face Verification [69.04239222633795]
  顔認識と検証は、深層表現の導入によって性能が向上した2つのコンピュータビジョンタスクである。 現実のトレーニングデータセットにおける顔データの繊細な性質とバイアスによる倫理的、法的、技術的な課題は、彼らの開発を妨げる。 公平性を向上する新しい制御された生成パイプラインを導入する。
  論文  参考訳（メタデータ） (2024-12-04T14:30:19Z)
• 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)
• Generalized Face Liveness Detection via De-fake Face Generator [52.23271636362843]
  以前の顔アンチスプーフィング(FAS)手法は、目に見えない領域に一般化するという課題に直面している。 本稿では,大規模に付加的な現実面を効果的に活用できるAnomalous cue Guided FAS (AG-FAS)法を提案する。 提案手法は,未知のシナリオと未知のプレゼンテーションアタックを用いたクロスドメイン評価において,最先端の結果を実現する。
  論文  参考訳（メタデータ） (2024-01-17T06:59:32Z)
• MixFairFace: Towards Ultimate Fairness via MixFair Adapter in Face Recognition [37.756287362799945]
  属性に基づくフェアネス尺度は顔認識には適さないと我々は主張する。 本稿では,異なるアプローチの公平性を評価するための新しい評価プロトコルを提案する。 私たちのMixFairFaceアプローチは、すべてのベンチマークデータセットで最先端のフェアネスパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2022-11-28T09:47:21Z)
• 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)
• Rethinking Bias Mitigation: Fairer Architectures Make for Fairer Face Recognition [107.58227666024791]
  顔認識システムは、法執行を含む安全クリティカルなアプリケーションに広くデプロイされている。 彼らは、性別や人種など、様々な社会的デデノグラフィー次元に偏見を示す。 バイアス軽減に関するこれまでの研究は、主にトレーニングデータの事前処理に重点を置いていた。
  論文  参考訳（メタデータ） (2022-10-18T15:46:05Z)
• Enhancing Fairness of Visual Attribute Predictors [6.6424782986402615]
  本稿では、復号化パリティ、等化オッド、新しいインターセクション・オーバ・ユニオン尺度のバッチ推定に基づいて、公平性に配慮した正規化損失を導入する。 我々の研究は、視覚特性予測器のバイアスを軽減するためのエンドツーエンドのトレーニングスキームにこの種の損失を取り入れる最初の試みである。
  論文  参考訳（メタデータ） (2022-07-07T15:02:04Z)
• Meta Balanced Network for Fair Face Recognition [51.813457201437195]
  我々は、データとアルゴリズムの両方の側面からバイアスを体系的に科学的に研究する。 本稿では,メタバランスネットワーク(MBN)と呼ばれるメタ学習アルゴリズムを提案する。 大規模な実験により、MBNは偏見を緩和し、顔認識において異なる肌のトーンを持つ人々に対してよりバランスの取れたパフォーマンスを学ぶことができた。
  論文  参考訳（メタデータ） (2022-05-13T10:25:44Z)
• Learning Fair Face Representation With Progressive Cross Transformer [79.73754444296213]
  フェアフェイス認識のためのプログレッシブクロストランス (PCT) 手法を提案する。 我々は,PCTが最先端FR性能を達成しつつ,顔認識におけるバイアスを軽減することができることを示した。
  論文  参考訳（メタデータ） (2021-08-11T01:31:14Z)
• BioMetricNet: deep unconstrained face verification through learning of metrics regularized onto Gaussian distributions [25.00475462213752]
  深層非拘束顔認証のための新しいフレームワークであるBioMetricNetを提案する。 提案手法では、顔の特徴について具体的な指標を課していない。 マッチングと非マッチングのペアを、明確に分離された、よく定義されたターゲット分布にマッピングする潜在表現を学習することで、決定空間を形成する。
  論文  参考訳（メタデータ） (2020-08-13T17:22:46Z)

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。