論文の概要: Latent Feature Alignment: Discovering Biased and Interpretable Subpopulations in Face Recognition Models

• arxiv url: http://arxiv.org/abs/2510.15520v1
• Date: Fri, 17 Oct 2025 10:49:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-20 20:17:34.584579
• Title: Latent Feature Alignment: Discovering Biased and Interpretable Subpopulations in Face Recognition Models
• Title（参考訳）: 潜在的特徴アライメント:顔認識モデルにおけるバイアスと解釈可能なサブポピュレーションの発見
• Authors: Ignacio Serna,
• Abstract要約: Latent Feature Alignment (LFA) は属性ラベルなしのアルゴリズムで、潜在方向を使ってサブポピュレーションを識別する。 LFAは群内セマンティックコヒーレンスにおいて、k-平均と最近傍探索を一貫して上回る。 これらの結果から,LFAを顔認識モデルの表現監査の実践的手法として位置づけた。
• 参考スコア（独自算出の注目度）: 2.098253213160396
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Modern face recognition models achieve high overall accuracy but continue to exhibit systematic biases that disproportionately affect certain subpopulations. Conventional bias evaluation frameworks rely on labeled attributes to form subpopulations, which are expensive to obtain and limited to predefined categories. We introduce Latent Feature Alignment (LFA), an attribute-label-free algorithm that uses latent directions to identify subpopulations. This yields two main benefits over standard clustering: (i) semantically coherent grouping, where faces sharing common attributes are grouped together more reliably than by proximity-based methods, and (ii) discovery of interpretable directions, which correspond to semantic attributes such as age, ethnicity, or attire. Across four state-of-the-art recognition models (ArcFace, CosFace, ElasticFace, PartialFC) and two benchmarks (RFW, CelebA), LFA consistently outperforms k-means and nearest-neighbor search in intra-group semantic coherence, while uncovering interpretable latent directions aligned with demographic and contextual attributes. These results position LFA as a practical method for representation auditing of face recognition models, enabling practitioners to identify and interpret biased subpopulations without predefined attribute annotations.
• Abstract（参考訳）: 現代の顔認識モデルは、全体的な精度が高いが、特定のサブ集団に不均等に影響を及ぼす体系的な偏見を示し続けている。 従来のバイアス評価フレームワークはラベル付き属性に依存してサブポピュレーションを形成する。 サブポピュレーションの特定に遅延方向を用いる属性ラベルなしアルゴリズムであるLatent Feature Alignment (LFA) を導入する。 これにより、標準的なクラスタリングよりも2つの大きなメリットが得られます。 (i)共通属性を共有する顔が近接的手法よりも確実にグループ化され、意味的コヒーレントなグループ化 二 年齢、民族、服装等の意味的属性に対応する解釈可能な方向の発見。 4つの最先端認識モデル(ArcFace、CosFace、ElasticFace、PartialFC)と2つのベンチマーク(RFW、CelebA)で、LFAはグループ内のセマンティックコヒーレンスにおいて、k-meansとNest-neighbor検索を一貫して上回り、また、階層的および文脈的属性に整合した解釈可能な遅延方向を明らかにする。 これらの結果から, LFAを顔認識モデルの表現監査の実践的手法として位置づけ, 事前に定義された属性アノテーションを使わずに, 偏りのあるサブポピュレーションを識別・解釈することが可能となった。

関連論文リスト

• Dissecting Generalized Category Discovery: Multiplex Consensus under Self-Deconstruction [36.73147151458588]
  人間の認知プロセスにインスパイアされた、新しい物体理解のためのソリューションを提案する。 提案するConGCDは,高レベルなセマンティック再構築により,プリミティブ指向の表現を確立する。 我々は、クラス識別パターンをキャプチャするために、支配的かつ文脈的コンセンサスユニットを実装している。
  論文  参考訳（メタデータ） (2025-08-14T15:11:22Z)
• Fair Deepfake Detectors Can Generalize [51.21167546843708]
  共同設立者(データ分散とモデルキャパシティ)の制御により,公正な介入による一般化が向上することを示す。 この知見を応用して, 逆正当性重み付けとサブグループワイド特徴正規化を併用し, 新たなアライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・インセンティブ・インターベンション・インベンション・インテクション(DAID)を提案する。 DAIDは、いくつかの最先端技術と比較して、公平性と一般化の両方において一貫して優れた性能を達成する
  論文  参考訳（メタデータ） (2025-07-03T14:10:02Z)
• Leveraging vision-language models for fair facial attribute classification [19.93324644519412]
  汎用視覚言語モデル(英: General-purpose Vision-Language Model, VLM)は、共通感性属性のための豊富な知識源である。 我々は,VLM予測値と人間定義属性分布の対応関係を解析した。 複数のベンチマークの顔属性分類データセットの実験は、既存の教師なしベースラインよりもモデルの公平性の向上を示している。
  論文  参考訳（メタデータ） (2024-03-15T18:37:15Z)
• A structured regression approach for evaluating model performance across intersectional subgroups [53.91682617836498]
  分散評価(disaggregated evaluation)は、AIフェアネスアセスメントにおける中心的なタスクであり、AIシステムのさまざまなサブグループ間でのパフォーマンスを測定することを目的としている。 非常に小さなサブグループであっても,信頼性の高いシステム性能推定値が得られることを示す。
  論文  参考訳（メタデータ） (2024-01-26T14:21:45Z)
• Neighbour Consistency Guided Pseudo-Label Refinement for Unsupervised Person Re-Identification [80.98291772215154]
  教師なしの人物再識別(ReID)は、アノテーションを使わずに人物検索のための識別的アイデンティティの特徴を学習することを目的としている。 近年の進歩はクラスタリングに基づく擬似ラベルを活用することで実現されている。 本稿では, Pseudo Label Refinement フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-30T09:39:57Z)
• Fairness via Adversarial Attribute Neighbourhood Robust Learning [49.93775302674591]
  本稿では,分類ヘッドを損なうために,UnderlineRobust underlineAdversarial underlineAttribute underlineNeighbourhood (RAAN)損失を原則として提案する。
  論文  参考訳（メタデータ） (2022-10-12T23:39:28Z)
• Inter-class Discrepancy Alignment for Face Recognition [55.578063356210144]
  IA(Inter-class DiscrepancyAlignment)という統合フレームワークを提案する。 IDA-DAOは、画像と隣人の相違を考慮した類似度スコアの整合に使用される。 IDA-SSEは、GANで生成された仮想候補画像を導入することで、説得力のあるクラス間隣人を提供できます。
  論文  参考訳（メタデータ） (2021-03-02T08:20:08Z)
• Mitigating Face Recognition Bias via Group Adaptive Classifier [53.15616844833305]
  この研究は、全てのグループの顔がより平等に表現できる公正な顔表現を学ぶことを目的としている。 我々の研究は、競争精度を維持しながら、人口集団間での顔認識バイアスを軽減することができる。
  論文  参考訳（メタデータ） (2020-06-13T06:43:37Z)

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。