論文の概要: Auditing Demographic Bias in Facial Landmark Detection for Fair Human-Robot Interaction

• arxiv url: http://arxiv.org/abs/2604.06961v1
• Date: Wed, 08 Apr 2026 11:22:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.49625
• Title: Auditing Demographic Bias in Facial Landmark Detection for Fair Human-Robot Interaction
• Title（参考訳）: 人物とロボットの公平なインタラクションのための顔画像検出におけるデモグラフィックバイアスの検討
• Authors: Pablo Parte, Roberto Valle, José M. Buenaposada, Luis Baumela,
• Abstract要約: 我々は人間とロボットのインタラクションタスクにおいて、人口統計バイアスの体系的な監査を行う。 統計学的に有意な年齢関連効果を同定し,高齢者には高いバイアスが認められた。 このようなバイアスの監査と修正は、信頼性と公平なロボット認識システムに向けた必要なステップである、と我々は主張する。
• 参考スコア（独自算出の注目度）: 1.623939862557676
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Fairness in human-robot interaction critically depends on the reliability of the perceptual models that enable robots to interpret human behavior. While demographic biases have been widely studied in high-level facial analysis tasks, their presence in facial landmark detection remains unexplored. In this paper, we conduct a systematic audit of demographic bias in this task, analyzing the age, gender and race biases. To this end we introduce a controlled statistical methodology to disentangle demographic effects from confounding visual factors. Evaluations of a standard representative model demonstrate that confounding visual factors, particularly head pose and image resolution, heavily outweigh the impact of demographic attributes. Notably, after accounting for these confounders, we show that performance disparities across gender and race vanish. However, we identify a statistically significant age-related effect, with higher biases observed for older individuals. This shows that fairness issues can emerge even in low-level vision components and can propagate through the HRI pipeline, disproportionately affecting vulnerable populations. We argue that auditing and correcting such biases is a necessary step toward trustworthy and equitable robot perception systems.
• Abstract（参考訳）: 人間とロボットの相互作用の公正性は、ロボットが人間の振る舞いを解釈できる知覚モデルの信頼性に依存する。 高レベルの顔分析タスクでは、人口統計バイアスが広く研究されているが、顔のランドマーク検出におけるそれらの存在は、まだ解明されていない。 本稿では, 年齢, 性別, 人種バイアスを分析し, 階層バイアスを系統的に評価する。 この目的のために,視覚的要因の相違から人口動態の影響を遠ざけるための制御された統計手法を導入する。 標準的な代表モデルの評価は、視覚的要因、特に頭部のポーズと画像の解像度が、人口統計学的特性の影響を大きく上回っていることを示している。 とくに、これらの共同ファウンダーを考慮に入れた結果、性別や人種によるパフォーマンス格差は消滅している。 しかし,高齢者には高いバイアスがみられ,統計的に有意な年齢関連効果が認められた。 これは、低レベルの視覚コンポーネントでも公平性の問題が発生し、HRIパイプラインを介して伝播し、不均等に脆弱な人口に影響を及ぼすことを示している。 このようなバイアスの監査と修正は、信頼性と公平なロボット認識システムに向けた必要なステップである、と我々は主張する。

関連論文リスト

• 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)
• Improving Bias in Facial Attribute Classification: A Combined Impact of KL Divergence induced Loss Function and Dual Attention [3.5527561584422465]
  初期のシステムは、特に性別や人種の分類において、しばしば人口統計上の偏見を示しており、肌の色合いが暗い女性や個人の精度は低かった。 本稿では,KL分割正規化とクロスエントロピー損失関数によって強化された,事前学習型Inception-ResNet V1モデルを用いた二重注意機構を用いた手法を提案する。 実験の結果,公正度と分類精度の両面で有意な改善が見られ,偏見に対処し,顔認識システムの信頼性を高めることが期待できる。
  論文  参考訳（メタデータ） (2024-10-15T01:29:09Z)
• Towards Fair Face Verification: An In-depth Analysis of Demographic Biases [11.191375513738361]
  近年,深層学習に基づく人物識別・検証システムは,精度の面で著しく向上している。 しかし、このようなシステムは人種、年齢、性別に関する重大な偏見を呈している。 本稿では,これらの要因の交叉性に着目した詳細な分析を行う。
  論文  参考訳（メタデータ） (2023-07-19T14:49:14Z)
• Gender Biases in Automatic Evaluation Metrics for Image Captioning [87.15170977240643]
  画像キャプションタスクのためのモデルに基づく評価指標において、性別バイアスの体系的研究を行う。 偏りのある世代と偏りのない世代を区別できないことを含む、これらの偏りのあるメトリクスを使用することによる負の結果を実証する。 人間の判断と相関を損なうことなく、測定バイアスを緩和する簡便で効果的な方法を提案する。
  論文  参考訳（メタデータ） (2023-05-24T04:27:40Z)
• 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)
• A Deep Dive into Dataset Imbalance and Bias in Face Identification [49.210042420757894]
  メディアの描写は、自動顔認識システムにおけるバイアスの主な原因として、しばしば不均衡を浮き彫りにする。 FRにおけるデータ不均衡に関するこれまでの研究は、顔認証の設定にのみ焦点をあててきた。 この研究は、顔の識別における各種類の不均衡の影響を徹底的に調査し、この設定におけるバイアスに影響を与える他の要因について議論する。
  論文  参考訳（メタデータ） (2022-03-15T20:23:13Z)
• Are Commercial Face Detection Models as Biased as Academic Models? [64.71318433419636]
  我々は学術的および商業的な顔検出システムを比較し、特にノイズに対する堅牢性について検討する。 現状の学術的顔検出モデルでは、ノイズの頑健性に人口格差があることがわかった。 私たちは、商用モデルは、常に学術モデルと同じくらいの偏り、あるいはより偏りがある、と結論付けます。
  論文  参考訳（メタデータ） (2022-01-25T02:21:42Z)
• 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)
• Comparing Human and Machine Bias in Face Recognition [46.170389064229354]
  我々はLFWとCelebAデータセットの改良版をリリースし、将来の研究者がアルゴリズムバイアスの測定値を得ることができるようにした。 また、これらの新しいデータを使って、顔認証と検証に関する一連の挑戦的な質問も開発しています。 検証作業において,コンピュータモデルと人的調査参加者の双方が有意に優れていたことが判明した。
  論文  参考訳（メタデータ） (2021-10-15T22:26:20Z)

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。