論文の概要: Identifying Ethical Biases in Action Recognition Models

• arxiv url: http://arxiv.org/abs/2604.17971v1
• Date: Mon, 20 Apr 2026 08:51:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.777514
• Title: Identifying Ethical Biases in Action Recognition Models
• Title（参考訳）: 行動認識モデルにおける倫理的バイアスの同定
• Authors: Ana Baltaretu, Pascal Benschop, Jan van Gemert,
• Abstract要約: 合成ビデオデータを用いたヒューマンアクション認識(HAR)モデルにおけるバイアス監査フレームワークを提案する。 動きが同一であっても皮膚色に統計的に有意な偏りを示すHARモデルが存在するかを示す。
• 参考スコア（独自算出の注目度）: 10.424170385966878
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Human Action Recognition (HAR) models are increasingly deployed in high-stakes environments, yet their fairness across different human appearances has not been analyzed. We introduce a framework for auditing bias in HAR models using synthetic video data, generated with full control over visual identity attributes such as skin color. Unlike prior work that focuses on static images or pose estimation, our approach preserves temporal consistency, allowing us to isolate and test how changes to a single attribute affect model predictions. Through controlled interventions using the BEDLAM simulation platform, we show whether some popular HAR models exhibit statistically significant biases on the skin color even when the motion remains identical. Our results highlight how models may encode unwanted visual associations, and we provide evidence of systematic errors across groups. This work contributes a framework for auditing HAR models and supports the development of more transparent, accountable systems in light of upcoming regulatory standards.
• Abstract（参考訳）: 人間の行動認識(HAR)モデルは、ハイテイクな環境にますます展開されているが、人間の外見にまたがる公平さは分析されていない。 肌の色などの視覚的特徴をフルに制御した合成ビデオデータを用いて,HARモデルのバイアスを監査するためのフレームワークを提案する。 静的画像やポーズ推定に焦点を当てた以前の作業とは異なり、我々のアプローチは時間的一貫性を保ち、単一の属性の変更がモデル予測にどのように影響するかを分離し、テストすることができる。 BEDLAMシミュレーションプラットフォームを用いた制御介入により,動作が同一である場合でも皮膚色に統計的に有意な偏りを示すHARモデルが存在することが示された。 この結果は、モデルが不要な視覚的関連をエンコードする方法を強調し、グループ間での系統的誤りの証拠を提供する。 この作業は、HARモデルの監査のためのフレームワークを提供し、今後の規制基準を考慮して、より透明で説明可能なシステムの開発をサポートする。

関連論文リスト

• Automated Detection of Visual Attribute Reliance with a Self-Reflective Agent [58.90049897180927]
  視覚モデルにおける視覚的特徴の意図しない依存を検出するための自動フレームワークを提案する。 自己反射エージェントは、モデルが依存する可能性のある視覚特性に関する仮説を生成し、テストする。 我々は,視覚特性の多様さを示すために設計された130モデルの新しいベンチマークに対して,我々のアプローチを評価した。
  論文  参考訳（メタデータ） (2025-10-24T17:59:02Z)
• Understanding the Implicit Biases of Design Choices for Time Series Foundation Models [90.894232610821]
  時系列基礎モデル(TSFM)は、時系列予測と関連する時間的タスクのための潜在的に強力で汎用的なツールのクラスである。 彼らの行動はデザインの微妙な帰納的バイアスによって強く形作られています。 モデルやデータの性質によって、これらのバイアスが直感的であるか、非常に直感的であるかを示す。
  論文  参考訳（メタデータ） (2025-10-22T04:42:35Z)
• Explanatory Model Monitoring to Understand the Effects of Feature Shifts on Performance [61.06245197347139]
  そこで本研究では,機能シフトによるブラックボックスモデルの振る舞いを説明する新しい手法を提案する。 本稿では,最適輸送と共有値の概念を組み合わせた提案手法について,説明的性能推定として紹介する。
  論文  参考訳（メタデータ） (2024-08-24T18:28:19Z)
• A Reliable Framework for Human-in-the-Loop Anomaly Detection in Time Series [17.08674819906415]
  HILADは、人間とAIの動的かつ双方向なコラボレーションを促進するために設計された、新しいフレームワークである。 ビジュアルインターフェースを通じて、HILADはドメインの専門家に、大規模な予期せぬモデルの振る舞いを検出し、解釈し、修正する権限を与えます。
  論文  参考訳（メタデータ） (2024-05-06T07:44:07Z)
• Corpus Considerations for Annotator Modeling and Scaling [9.263562546969695]
  一般的に使われているユーザトークンモデルは、より複雑なモデルよりも一貫して優れています。 以上の結果から,コーパス統計とアノテータモデリング性能の関係が明らかになった。
  論文  参考訳（メタデータ） (2024-04-02T22:27:24Z)
• Auditing Visualizations: Transparency Methods Struggle to Detect Anomalous Behavior [15.351552742473734]
  モデルビジュアライゼーションはモデルの振る舞いを反映できるのか? 可視化が異常に訓練されたモデルと通常のモデルに異なる視覚化を割り当てるかどうかを検証する。 可視化のための新しい評価フレームワークを導入することで、より信頼性の高いモデルの透明性手法を開発するための道を開いたのです。
  論文  参考訳（メタデータ） (2022-06-27T17:59:08Z)
• General Greedy De-bias Learning [163.65789778416172]
  本稿では,関数空間における勾配降下のような偏りのあるモデルとベースモデルを優雅に訓練する一般グリーディ・デバイアス学習フレームワーク(GGD)を提案する。 GGDは、事前知識を持つタスク固有バイアスモデルと、事前知識を持たない自己アンサンブルバイアスモデルの両方の設定の下で、より堅牢なベースモデルを学ぶことができる。
  論文  参考訳（メタデータ） (2021-12-20T14:47:32Z)
• Characterizing Fairness Over the Set of Good Models Under Selective Labels [69.64662540443162]
  同様の性能を実現するモデルセットに対して,予測公正性を特徴付けるフレームワークを開発する。 到達可能なグループレベルの予測格差の範囲を計算するためのトラクタブルアルゴリズムを提供します。 選択ラベル付きデータの実証的な課題に対処するために、我々のフレームワークを拡張します。
  論文  参考訳（メタデータ） (2021-01-02T02:11:37Z)

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。