論文の概要: Investigating Bias and Fairness in Appearance-based Gaze Estimation

• arxiv url: http://arxiv.org/abs/2604.10707v1
• Date: Sun, 12 Apr 2026 16:04:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.183197
• Title: Investigating Bias and Fairness in Appearance-based Gaze Estimation
• Title（参考訳）: 外観に基づく視線推定におけるバイアスと公正性の検討
• Authors: Burak Akgül, Erol Şahin, Sinan Kalkan,
• Abstract要約: 外見に基づく視線推定は、精度と領域適応において著しく改善された。 視線推定に包括的なベンチマークアルゴリズムバイアスはない。 本稿では、外見に基づく視線推定におけるフェアネスの最初の広範囲な評価について述べる。
• 参考スコア（独自算出の注目度）: 9.634859579172254
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While appearance-based gaze estimation has achieved significant improvements in accuracy and domain adaptation, the fairness of these systems across different demographic groups remains largely unexplored. To date, there is no comprehensive benchmark quantifying algorithmic bias in gaze estimation. This paper presents the first extensive evaluation of fairness in appearance-based gaze estimation, focusing on ethnicity and gender attributes. We establish a fairness baseline by analyzing state-of-the-art models using standard fairness metrics, revealing significant performance disparities. Furthermore, we evaluate the effectiveness of existing bias mitigation strategies when applied to the gaze domain and show that their fairness contributions are limited. We summarize key insights and open issues. Overall, our work calls for research into developing robust, equitable gaze estimators. To support future research and reproducibility, we publicly release our annotations, code, and trained models at: github.com/akgulburak/gaze-estimation-fairness
• Abstract（参考訳）: 外観に基づく視線推定は、精度と領域適応において著しく改善されているが、異なる人口集団におけるこれらのシステムの公平性はほとんど探索されていない。 現在、視線推定におけるアルゴリズムバイアスを定量化する包括的なベンチマークは存在しない。 本稿では、民族性や性別特性に着目した外観に基づく視線推定における公平性の最初の広範囲な評価について述べる。 我々は、標準的な公正度測定値を用いて最先端モデルを分析し、重要な性能格差を明らかにすることによって、公正度ベースラインを確立する。 さらに,視線領域に適用した場合の既存バイアス緩和戦略の有効性を評価し,その妥当性が限定されていることを示す。 重要な洞察とオープンな問題を要約します。 全体として、我々の研究は、堅牢で公平な視線推定器の開発研究を求めている。 将来の研究と再現性をサポートするため、アノテーション、コード、トレーニングされたモデルをgithub.com/akgulburak/gaze-estimation-fairnessで公開しています。

関連論文リスト

• Testing Fairness with Utility Tradeoffs: A Wasserstein Projection Approach [6.378410364292642]
  本稿では,近似的公正性と有効性を共同で評価する統計的仮説テストフレームワークを提案する。 当社のフレームワークは,人口統計学の同等性基準に基づいて構築され,潜在的成果フレームワークに動機づけられた実用性尺度が組み込まれている。 このテストは、計算可能で、解釈可能で、機械学習モデルに広く適用でき、より一般的な設定に拡張可能であることを示す。
  論文  参考訳（メタデータ） (2025-05-16T20:29:06Z)
• seeBias: A Comprehensive Tool for Assessing and Visualizing AI Fairness [14.36364087809195]
  seeBiasは、モデルフェアネスと予測パフォーマンスを総合的に評価するためのRパッケージである。 seeBiasは、どのように公正評価をサポートし、従来の公正度指標が見落としている可能性がある相違を明らかにするかを示す。
  論文  参考訳（メタデータ） (2025-04-11T10:23:10Z)
• Does RAG Introduce Unfairness in LLMs? Evaluating Fairness in Retrieval-Augmented Generation Systems [18.926129063000264]
  本研究では,複数のRAG法において,公正性を実証的に評価することを目的とする。 その結果,最近のユーティリティ駆動最適化の進歩にもかかわらず,検索と生成の両段階において公平性の問題が持続していることが示唆された。 これらの知見は、RAGパイプライン全体の公平性に対処するための標的的介入の必要性を浮き彫りにした。
  論文  参考訳（メタデータ） (2024-09-29T22:04:26Z)
• 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)
• Thinking Racial Bias in Fair Forgery Detection: Models, Datasets and Evaluations [63.52709761339949]
  最初に、Fair Forgery Detection(FairFD)データセットと呼ばれる専用のデータセットをコントリビュートし、SOTA(Public State-of-the-art)メソッドの人種的偏見を証明する。 我々は、偽りの結果を避けることができる平均的メトリクスと実用正規化メトリクスを含む新しいメトリクスを設計する。 また,有効で堅牢な後処理技術であるBias Pruning with Fair Activations (BPFA)も提案する。
  論文  参考訳（メタデータ） (2024-07-19T14:53:18Z)
• Through the Data Management Lens: Experimental Analysis and Evaluation of Fair Classification [75.49600684537117]
  データ管理研究は、データとアルゴリズムの公平性に関連するトピックに対する存在感と関心が高まっている。 我々は,その正しさ,公平性,効率性,スケーラビリティ,安定性よりも,13の公正な分類アプローチと追加の変種を幅広く分析している。 我々の分析は、異なるメトリクスとハイレベルなアプローチ特性がパフォーマンスの異なる側面に与える影響に関する新しい洞察を強調します。
  論文  参考訳（メタデータ） (2021-01-18T22:55:40Z)

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。