論文の概要: Beyond Performance Disparities: A Three-Level Audit of Representational Harm in CelebA

• arxiv url: http://arxiv.org/abs/2605.15312v1
• Date: Thu, 14 May 2026 18:25:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:26.05896
• Title: Beyond Performance Disparities: A Three-Level Audit of Representational Harm in CelebA
• Title（参考訳）: パフォーマンス格差を超えて:CelebAにおける表現的ハームの3レベル監査
• Authors: Sieun Park, Yuanmo He,
• Abstract要約: 本稿では,年齢と美の男女差がデータにエンコードされ,モデル行動に再現されるかを検討する。 女性の顔は、年齢や男性によってコードされたクラスターに割り当てられると、厳しい罰を受ける。 年上の男性は最も精度が高いが、平均的な正確度は低く、データセットの評価テンプレートの外側の群を分類的に排除することを示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large-scale facial datasets like CelebA are widely used in computer vision, yet the cultural biases embedded in their labels remain underexplored. Fairness research has distinguished representational from allocational harms, but audits of computer vision datasets have mostly examined categorical labels, leaving open how such harms appear in learned features and model attention. This paper examines CelebA at three levels: dataset structure, learned feature weights, and spatial attention, focusing on how gendered double standards of ageing and beauty are encoded in the data and reproduced in model behaviour. First, hierarchical clustering of 202,599 images shows that the 39 attributes organise into latent trait bundles aligned with cultural archetypes: performative femininity (youth, makeup, adornment) and professional masculinity (ageing, facial hair, formal attire). Female faces, though more often rated attractive overall, incur steep penalties when assigned to ageing or masculine-coded clusters. Second, XGBoost with SHAP analysis reveal gender-specific effects, such as adiposity reducing attractiveness only for females. Third, Grad-CAM finds that predictions for female and younger male subgroups concentrate on mid-face cues, whereas predictions for older males drift toward peripheral cues such as hair and clothing. Older males attain the highest accuracy but the lowest average precision, indicating categorical exclusion of groups outside the dataset's evaluative templates. Cultural double standards thus pass from media representation into dataset labels, feature weights, and model attention, producing two representational harms: hyper-scrutiny of women under a narrow evaluative template, and exclusion of older men from the scheme entirely. Fairness metrics focused on performance disparities mask both, underscoring the need to address representational harm in fairness research.
• Abstract（参考訳）: CelebAのような大規模な顔データセットはコンピュータビジョンで広く使われているが、ラベルに埋め込まれた文化的バイアスはいまだ発見されていない。 公平性の研究は、割り当ての害と区別されているが、コンピュータビジョンデータセットの監査は、主に分類ラベルを調べ、そのような害が学習した特徴やモデルの注意にどのように現れるかを明らかにしている。 本稿では、CelebAを3つのレベル(データセット構造、学習された特徴量、空間的注意)で検証し、年齢と美しさの男女差がデータにエンコードされ、モデル行動に再現されるかに焦点を当てた。 まず、202,599枚の画像の階層的クラスタリングにより、39の属性が、文化的なアーティファクト(青年、化粧、装飾)とプロの男性(年齢、髪型、フォーマルな服装)に整合した潜伏した特徴束に組織化されていることが示された。 女性の顔は、概して魅力的だが、年齢や男性によってコードされたクラスターに割り当てられると、厳しい罰を受ける。 第2に、SHAP分析によるXGBoostは、女性のみの魅力を低下させる好奇心など、性別特有の効果を示す。 第3に、Grad-CAMは、男女の男性サブグループの予測が中面の手がかりに集中していること、一方、年配の男性の予測は毛髪や衣服のような周囲の手がかりに向かって漂うことを発見した。 年上の男性は最も精度が高いが平均的な正確度は低く、データセットの評価テンプレートの外側の群を分類的に排除することを示している。 文化的な二重標準は、メディア表現からデータセットラベル、特徴重み、モデルアテンションへと受け継がれ、狭い評価テンプレートの下で女性の超精査と、そのスキームから老人を完全に排除する2つの表現的ハードルを生み出した。 フェアネスの指標は、パフォーマンス格差のマスクの両方に焦点を合わせ、フェアネスの研究における表現的害に対処する必要性を強調した。

関連論文リスト

• Auditing and Mitigating Bias in Gender Classification Algorithms: A Data-Centric Approach [0.0]
  広く使われている5つの性別分類データセットを検査し、重要な交叉表現の不足を明らかにした。 これらのデータセットのうち2つの最もバランスのとれたUTKFaceとFairFaceで、同一のMobileNetV2分類器をトレーニングします。 我々の公正性評価は、これらのモデルでさえ有意な偏見を示し、男性の顔よりも高い速度で女性の顔を誤分類していることを示している。
  論文  参考訳（メタデータ） (2025-10-17T02:09:17Z)
• African Gender Classification Using Clothing Identification Via Deep Learning [0.0]
  AFRIFASHION1600データセットは、アフリカ伝統服の1,600枚の画像を、男性と女性という2つのジェンダークラスに分類したものだ。 VGG16アーキテクチャを改良し,トランスファーラーニングを用いて訓練した深層学習モデルを開発した。 このモデルはテストセットで87%の精度を達成し、女性のサンプルに有利なデータセットの不均衡にもかかわらず、強い予測能力を示した。
  論文  参考訳（メタデータ） (2025-02-26T20:59:59Z)
• On the "Illusion" of Gender Bias in Face Recognition: Explaining the Fairness Issue Through Non-demographic Attributes [7.602456562464879]
  顔認識システムは、ユーザの性別に基づいて、かなりの精度の差を示す。 顔の属性を効果的にデコレーションし、集約し、バイアスの少ない性別分析を可能にするツールチェーンを提案する。 実験の結果,男女のイメージが特定の属性を共有すると,男女差は消失することがわかった。
  論文  参考訳（メタデータ） (2025-01-21T10:21:19Z)
• GenderBias-\emph{VL}: Benchmarking Gender Bias in Vision Language Models via Counterfactual Probing [72.0343083866144]
  本稿では,GenderBias-emphVLベンチマークを用いて,大規模視覚言語モデルにおける職業関連性バイアスの評価を行う。 ベンチマークを用いて15のオープンソースLVLMと最先端の商用APIを広範囲に評価した。 既存のLVLMでは男女差が広くみられた。
  論文  参考訳（メタデータ） (2024-06-30T05:55:15Z)
• The Male CEO and the Female Assistant: Evaluation and Mitigation of Gender Biases in Text-To-Image Generation of Dual Subjects [58.27353205269664]
  本稿では,Paired Stereotype Test (PST) フレームワークを提案する。 PSTクエリT2Iモデルは、男性ステレオタイプと女性ステレオタイプに割り当てられた2つの個人を描写する。 PSTを用いて、ジェンダーバイアスの2つの側面、つまり、ジェンダーの職業におけるよく知られたバイアスと、組織力におけるバイアスという新しい側面を評価する。
  論文  参考訳（メタデータ） (2024-02-16T21:32:27Z)
• VisoGender: A dataset for benchmarking gender bias in image-text pronoun resolution [80.57383975987676]
  VisoGenderは、視覚言語モデルで性別バイアスをベンチマークするための新しいデータセットである。 We focus to occupation-related biases in a hegemonic system of binary gender, inspired by Winograd and Winogender schemas。 我々は、最先端の視覚言語モデルをいくつかベンチマークし、それらが複雑な場面における二項性解消のバイアスを示すことを発見した。
  論文  参考訳（メタデータ） (2023-06-21T17:59:51Z)
• 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)

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。