論文の概要: Apparent Age Estimation: Challenges and Outcomes

• arxiv url: http://arxiv.org/abs/2604.03335v1
• Date: Fri, 03 Apr 2026 06:47:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.521089
• Title: Apparent Age Estimation: Challenges and Outcomes
• Title（参考訳）: 年齢推定:課題と成果
• Authors: Justin Rainier Go, Lorenz Bernard Marqueses, Mikaella Kaye Martinez, John Kevin Patrick Sarmiento, Abien Fred Agarap,
• Abstract要約: 年齢推定は、ビジネスのパーソナライズに有用なツールであるが、現在のモデルは、しばしば人口統計上の偏見を示す。 平均分散損失(MVL)や適応平均残留損失(AMRL)といった分布学習手法を適用して,DEC法に関する先行研究を概観する。 AMRLは最先端の精度を達成する一方で、精度と人口統計学的平等の間のトレードオフが持続していることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Apparent age estimation is a valuable tool for business personalization, yet current models frequently exhibit demographic biases. We review prior works on the DEX method by applying distribution learning techniques such as Mean-Variance Loss (MVL) and Adaptive Mean-Residue Loss (AMRL), and evaluate them in both accuracy and fairness. Using IMDB-WIKI, APPA-REAL, and FairFace, we demonstrate that while AMRL achieves state-of-the-art accuracy, trade-offs between precision and demographic equity persist. Despite clear age clustering in UMAP embeddings, our saliency maps indicate inconsistent feature focus across demographics, leading to significant performance degradation for Asian and African American populations. We argue that technical improvements alone are insufficient; accurate and fair apparent age estimation requires the integration of localized and diverse datasets, and strict adherence to fairness validation protocols.
• Abstract（参考訳）: 年齢推定は、ビジネスのパーソナライズに有用なツールであるが、現在のモデルは、しばしば人口統計上の偏見を示す。 平均分散損失(MVL)や適応平均回帰損失(AMRL)といった分布学習手法を適用して,DEC手法の先行研究を検証し,精度と公平性の両方で評価した。 IMDB-WIKI、APPA-REAL、FairFaceを用いて、AMRLは最先端の精度を達成する一方、精度と人口統計学的平等との間のトレードオフは持続することを示した。 UMAP埋め込みにおける年齢クラスタリングの明確さにもかかわらず、我々のサリエンシマップは人口統計学における不整合の特徴を示しており、アジア系とアフリカ系アメリカ人の人口の著しいパフォーマンス低下につながっている。 我々は、技術的改善だけでは不十分であり、正確で明らかな年齢推定には、局所的で多様なデータセットの統合、公平性検証プロトコルへの厳密な準拠が必要であると論じている。

関連論文リスト

• Mind the Gaps: Auditing and Reducing Group Inequity in Large-Scale Mobility Prediction [9.369284351516358]
  次のロケーション予測は、モビリティ、小売、公衆衛生のアプリケーションの増加を支えている。 本稿では,大規模データセット上で訓練された最先端のモビリティ予測モデルを評価する。 基礎となるデータセットから生じる系統的な差異が示され、位置とユーザグループに基づいて精度に大きな違いが生じる。
  論文  参考訳（メタデータ） (2025-10-30T18:54:33Z)
• Reliable and Reproducible Demographic Inference for Fairness in Face Analysis [63.46525489354455]
  本稿では、従来のエンドツーエンドトレーニングをモジュラートランスファー学習アプローチで置き換える、完全に再現可能なDAIパイプラインを提案する。 このパイプラインは、正確性、公正性、そしてアイデンティティ内整合性によって定義される、新たに導入された堅牢性の概念の3つの次元にわたって監査する。 以上の結果から,提案手法は特に民族性において,強い基準線を上回り,その特性はより困難であることが示唆された。
  論文  参考訳（メタデータ） (2025-10-23T12:22:02Z)
• Bridging the gap in FER: addressing age bias in deep learning [0.562479170374811]
  深部FERモデルにおける年齢関連バイアスについて検討し,特に高齢者に焦点をあてた。 説明可能なAI(XAI)技術を用いて,表現認識と注意パターンの系統的差異を同定する。 その結果,高齢者の認識精度は一貫した改善が見られた。
  論文  参考訳（メタデータ） (2025-07-10T11:07:13Z)
• Fairness Under Cover: Evaluating the Impact of Occlusions on Demographic Bias in Facial Recognition [0.0]
  BUPT-BalancedおよびBUPT-GlobalFaceデータセット上で訓練した顔認識モデルの性能評価を行った。 そこで本研究では,異なる集団間でのモデル性能にどの程度のオクルージョンが影響するかを定量化する,新しい指標である顔閉塞インパクト比(FOIR)を提案する。
  論文  参考訳（メタデータ） (2024-08-19T17:34:19Z)
• Identifying and Mitigating Social Bias Knowledge in Language Models [52.52955281662332]
  個々人の社会的偏見をきめ細かなキャリブレーションを可能にする新しいデバイアス・アプローチであるFairness Stamp(FAST)を提案する。 FASTは最先端のベースラインを超え、デバイアス性能が優れている。 これは、大きな言語モデルにおける公平性を達成するためのきめ細かいデバイアス戦略の可能性を強調している。
  論文  参考訳（メタデータ） (2024-08-07T17:14:58Z)
• Toward Fairer Face Recognition Datasets [69.04239222633795]
  顔認識と検証は、ディープ表現の導入によってパフォーマンスが向上したコンピュータビジョンタスクである。 実際のトレーニングデータセットにおける顔データとバイアスのセンシティブな性格による倫理的、法的、技術的な課題は、彼らの開発を妨げる。 生成されたトレーニングデータセットに階層属性のバランス機構を導入することにより、公平性を促進する。
  論文  参考訳（メタデータ） (2024-06-24T12:33:21Z)
• Federated Learning for Early Dropout Prediction on Healthy Ageing Applications [0.0]
  我々は、プライバシの懸念を最小限に抑え、個々のデータを転送することなく分散トレーニングを可能にするフェデレーション機械学習(FML)アプローチを提案する。 その結果,FMLでトレーニングしたモデルの予測精度は,データ選択とクラス不均衡ハンドリング技術により有意に向上した。
  論文  参考訳（メタデータ） (2023-09-08T13:17:06Z)
• TIDE: Textual Identity Detection for Evaluating and Augmenting Classification and Language Models [0.0]
  機械学習モデルは、不公平で不均衡なデータセットから意図しないバイアスを永続することができる。 分類器と言語モデルにおけるテキストの公平性を改善するためのアプローチと組み合わせたデータセットを提案する。 我々は、IDコンテキストの可用性向上に使用できるIDアノテーションと拡張ツールを開発するために、TIDALを活用している。
  論文  参考訳（メタデータ） (2023-09-07T21:44:42Z)
• 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)

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。