論文の概要: Toward Ethical Facial Age Estimation: A Generalized Zero-Shot Benchmark Without Training on Children's Data
- arxiv url: http://arxiv.org/abs/2605.29230v1
- Date: Thu, 28 May 2026 01:44:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-30 02:45:55.58263
- Title: Toward Ethical Facial Age Estimation: A Generalized Zero-Shot Benchmark Without Training on Children's Data
- Title（参考訳）: 倫理的顔年齢推定に向けて : 子どものデータによる訓練を伴わない一般ゼロショットベンチマーク
- Authors: Caio Petrucci, Leo Sampaio Ferraz Ribeiro, Sandra Avila,
- Abstract要約: 顔画像からの年齢推定は、通常未成年者の画像を含む訓練データに依存する。
顔年齢推定のための一般化ゼロショットベンチマークを提案する。
- 参考スコア（独自算出の注目度）: 2.6369023507171137
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Age estimation from facial images typically relies on training data that includes images of minors, a practice that raises serious ethical, legal, and privacy concerns. In this work, we propose a generalized zero-shot benchmark for facial age estimation that explicitly excludes children's data during training while still assessing model performance on younger populations. We revisit six widely used datasets and introduce standardized splits with strict age-group separation: samples aged 18-59 for training, validation, and testing; samples under 18 reserved exclusively for zero-shot evaluation; and samples 60+ as an unseen validation set for model selection under distribution shift. For datasets with identity annotations, subject-exclusive splits prevent identity leakage and better reflect real-world deployment conditions. Evaluating nine state-of-the-art age estimation methods under this protocol reveals that all evaluated methods consistently fail to generalize to unseen age groups, suffering substantial performance degradation -- on average 46.4%, and up to 52.8% -- relative to the supervised baseline. Moreover, models do not simply degrade: they systematically anchor predictions for unseen ages to nearby seen classes, a manifestation of the well-known seen-class bias in generalized zero-shot learning. By formalizing age estimation without children's data as a generalized zero-shot benchmark on existing datasets, this work highlights a critical gap between current modeling practices and real-world ethical constraints. Our benchmark provides a principled basis for evaluating models under restricted data regimes and encourages the development of methods that are robust to distribution shift and aligned with responsible data use.
- Abstract（参考訳）: 顔画像からの年齢推定は、一般的に未成年者の画像を含む訓練データに依存している。
本研究では,若年者を対象としたモデル性能の評価を継続しながら,訓練中の子どものデータを明示的に除外する,顔年齢推定のための一般化ゼロショットベンチマークを提案する。
我々は6つの広く使用されているデータセットを再検討し、厳密な年齢グループ分離を伴う標準化された分割を導入し、トレーニング、検証、テストのための18歳未満のサンプル、ゼロショット評価専用のサンプル、18歳未満のサンプル、分布シフト下でのモデル選択のための見知らぬ検証セットとして60歳以上について検討した。
アイデンティティアノテーションを持つデータセットの場合、主観的な分割はアイデンティティの漏洩を防ぎ、実際のデプロイメント条件をよりよく反映する。
このプロトコルの下で9つの最先端の年齢推定手法を評価することで、評価されたすべての手法は、監督された基準に対して、平均46.4%、最大52.8%の実質的なパフォーマンス劣化を経験し、常に目に見えない年齢グループに一般化できないことが明らかになった。
さらに、モデルは単に劣化しない:それらは、一般化されたゼロショット学習においてよく知られた見かけの階級バイアスの顕在化である、近隣のクラスに見えない年齢の予測を体系的に固定する。
既存のデータセットのゼロショットベンチマークとして、子供のデータを使わずに年齢推定を形式化することにより、この研究は、現在のモデリングプラクティスと現実の倫理的制約の間に重要なギャップを浮き彫りにする。
我々のベンチマークは、制限されたデータ体制下でモデルを評価するための原則化された基盤を提供し、分散シフトに頑健で、責任あるデータ利用に適合する手法の開発を促進する。
関連論文リスト
- Few-Shot Personalized Age Estimation [4.14197005718384]
既存の年齢推定法では、各顔を独立したサンプルとして扱い、外見から年齢までのグローバルマッピングを学習する。
OpenPAEは、厳格な評価プロトコルを備えた$N$のパーソナライズされた年齢推定のための最初のオープンベンチマークである。
論文 参考訳（メタデータ） (2026-04-10T09:07:56Z) - From Age Estimation to Age-Invariant Face Recognition: Generalized Age Feature Extraction Using Order-Enhanced Contrastive Learning [23.817867981093382]
一般的な年齢特徴抽出は、年齢に関連する顔分析タスクに不可欠である。
年齢などの順序属性を明示的に用いた新しいコントラスト学習フレームワークを提案する。
提案手法は,様々なベンチマークデータセット上での最先端手法に匹敵する結果が得られる。
論文 参考訳（メタデータ） (2025-01-03T11:23:52Z) - A Large-Scale Neutral Comparison Study of Survival Models on Low-Dimensional Data [7.199059106376138]
この研究は、単一イベント、右検閲、低次元生存データに焦点を当てた最初の大規模な中性ベンチマーク実験を示す。
我々は、32の公開データセット上で、古典的な統計的アプローチから多くの一般的な機械学習手法まで、18のモデルをベンチマークした。
論文 参考訳（メタデータ） (2024-06-06T14:13:38Z) - A Call to Reflect on Evaluation Practices for Age Estimation: Comparative Analysis of the State-of-the-Art and a Unified Benchmark [2.156208381257605]
我々は、最先端の顔年齢推定法について、広範囲に比較分析を行う。
その結果,他の要因と比較すると,手法間の性能差は無視できることがわかった。
バックボーンモデルとしてFaRLを用い,すべての公開データセット上での有効性を実証する。
論文 参考訳（メタデータ） (2023-07-10T14:02:31Z) - 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) - LAE : Long-tailed Age Estimation [52.5745217752147]
まず、簡単な標準ベースラインを定式化し、事前トレーニング、データ拡張、モデルアーキテクチャなどのトリックを収集することで、はるかに強力なベースラインを構築します。
標準ベースラインと比較して,提案手法は推定誤差を著しく低減する。
本稿では,Long-tailed Age Estimation (LAE) という2段階の学習手法を提案する。
論文 参考訳（メタデータ） (2021-10-25T09:05:44Z) - FP-Age: Leveraging Face Parsing Attention for Facial Age Estimation in
the Wild [50.8865921538953]
年齢推定に顔のセマンティクスを明示的に組み込む手法を提案する。
我々は,顔解析に基づくネットワークを設計し,異なるスケールで意味情報を学習する。
提案手法は,既存の年齢推定手法を常に上回っていることを示す。
論文 参考訳（メタデータ） (2021-06-21T14:31:32Z) - 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) - Enhancing Facial Data Diversity with Style-based Face Aging [59.984134070735934]
特に、顔データセットは、通常、性別、年齢、人種などの属性の観点からバイアスされる。
本稿では, 細粒度の老化パターンをキャプチャするデータ拡張のための, 生成スタイルに基づく新しいアーキテクチャを提案する。
提案手法は, 年齢移動のための最先端アルゴリズムよりも優れていることを示す。
論文 参考訳（メタデータ） (2020-06-06T21:53:44Z) - Investigating Bias in Deep Face Analysis: The KANFace Dataset and
Empirical Study [67.3961439193994]
現在までに最も包括的で大規模な顔画像とビデオのデータセットを導入している。
データは、アイデンティティ、正確な年齢、性別、親族関係の点で手動で注釈付けされる。
提案したベンチマークでネットワーク埋め込みをデバイアス化する手法を導入し,テストした。
論文 参考訳（メタデータ） (2020-05-15T00:14:39Z)
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。