論文の概要: Adaptive Calibration for Fair and Performant Facial Recognition

• arxiv url: http://arxiv.org/abs/2606.04469v1
• Date: Wed, 03 Jun 2026 05:29:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.566425
• Title: Adaptive Calibration for Fair and Performant Facial Recognition
• Title（参考訳）: 公平かつ高性能な顔認識のための適応的校正法
• Authors: Ryan Brown, Chris Russell,
• Abstract要約: Adaptive (AC)は、顔認識のための新しいキャリブレーション戦略である。 正規化埋め込みとよく校正された確率の間のコサイン類似性をマッピングする。 局所コンテキストをキャリブレーションに組み込むことで、アダプティブはコサイン類似性の基本的なミスマッチを補正する。
• 参考スコア（独自算出の注目度）: 5.183958775837362
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce Adaptive Calibration (AC), a novel calibration strategy for facial recognition that maps cosine similarity between normalized embeddings to well-calibrated probabilities. By incorporating local context into calibration, Adaptive Calibration corrects for a fundamental mismatch in cosine similarity, whereby the same distance can correspond to different match probabilities in different embedding regions. Our approach improves both overall performance and results in a fairer calibration without requiring demographic metadata. Our approach consistently dominates existing methods both on accuracy and fairness metrics across a variety of pretrained models and standard benchmarks. AC provides a practical solution for equitable facial recognition, without requiring demographic group annotations, and while improving overall performance. Unlike existing approaches, our method provides continuous, region-specific calibration that avoids "leveling down" where fairness comes at the cost of degraded performance for some groups.
• Abstract（参考訳）: 適応校正(Adaptive Calibration, AC)は, 正規化埋め込みのコサイン類似性をよく校正された確率にマッピングする, 顔認識のための新しい校正戦略である。 局所的なコンテキストをキャリブレーションに組み込むことで、適応校正はコサイン類似性の基本的なミスマッチを補正し、同じ距離が異なる埋め込み領域における異なるマッチング確率に対応することができる。 提案手法は,人口統計メタデータを必要とせずに,全体の性能を向上し,キャリブレーションを公平に行う。 我々のアプローチは、様々な事前訓練されたモデルと標準ベンチマークの精度と公正度の両方で、既存の手法を一貫して支配している。 ACは、人口統計学的グループアノテーションを必要とせず、全体的なパフォーマンスを改善しながら、公平な顔認識のための実用的なソリューションを提供する。 既存手法とは違って,本手法は,一部のグループにおける劣化性能の犠牲となる「レベルダウン」を回避するために,連続的な領域別キャリブレーションを提供する。

関連論文リスト

• Discovery of Hidden Miscalibration Regimes [52.452902154360565]
  モデルは何らかの入力を体系的に過信し、他人を過信することがある。 対応する誤校正分野を定義し,それを推定するための診断フレームワークを提案する。 提案手法は,入力空間のキャリブレーションを意識した表現を学習し,学習幾何学におけるカーネルの平滑化による符号付き局所的誤校正を推定する。
  論文  参考訳（メタデータ） (2026-05-13T13:07:50Z)
• Instance-Wise Monotonic Calibration by Constrained Transformation [7.331937231993605]
  キャリブレーションの一般的なアプローチは、未確認のバリデーションデータにポストホックキャリブレーションマップを適合させることである。 既存のポストホックキャリブレーション法では、モノトニック性は保証されていない。 本稿では,新しいモノトニックポストホックキャリブレーション法を提案する。
  論文  参考訳（メタデータ） (2025-07-09T03:32:49Z)
• Robust Calibration of Large Vision-Language Adapters [17.583536041845402]
  本稿では,CLIPに基づくモデル適応における誤校正の重大な問題に対処する。 実験により,0ショットベースラインのキャリブレーション能力を大幅に低下させる,Adapters,Prompt Learning,Test-Time Adaptationなどの一般的なCLIP適応アプローチを実証した。 これらの観測により、各試料の対数範囲をゼロショット予測ロジットに拡大することにより、誤校正を緩和するための単純でモデルに依存しない解が提示される。
  論文  参考訳（メタデータ） (2024-07-18T15:27:56Z)
• From Uncertainty to Precision: Enhancing Binary Classifier Performance through Calibration [0.3495246564946556]
  モデル予測スコアはイベント確率として一般的に見なされるので、キャリブレーションは正確な解釈に不可欠である。 歪み評価のための様々なキャリブレーション尺度の感度を解析し,改良された指標であるローカルスコアを導入する。 これらの知見をランダムフォレスト分類器と回帰器を用いて実世界のシナリオに適用し、キャリブレーションを同時に測定しながら信用デフォルトを予測する。
  論文  参考訳（メタデータ） (2024-02-12T16:55:19Z)
• Calibration by Distribution Matching: Trainable Kernel Calibration Metrics [56.629245030893685]
  カーネルベースのキャリブレーションメトリクスを導入し、分類と回帰の両方で一般的なキャリブレーションの形式を統一・一般化する。 これらの指標は、異なるサンプル推定を許容しており、キャリブレーションの目的を経験的リスク最小化に組み込むのが容易である。 決定タスクにキャリブレーションメトリクスを調整し、正確な損失推定を行ない、後悔しない決定を行うための直感的なメカニズムを提供する。
  論文  参考訳（メタデータ） (2023-10-31T06:19:40Z)
• On Calibrating Semantic Segmentation Models: Analyses and An Algorithm [51.85289816613351]
  セマンティックセグメンテーションキャリブレーションの問題について検討する。 モデルキャパシティ、作物サイズ、マルチスケールテスト、予測精度はキャリブレーションに影響を及ぼす。 我々は、単純で統一的で効果的なアプローチ、すなわち選択的スケーリングを提案する。
  論文  参考訳（メタデータ） (2022-12-22T22:05:16Z)
• Calibration of Neural Networks using Splines [51.42640515410253]
  キャリブレーション誤差の測定は、2つの経験的分布を比較します。 古典的コルモゴロフ・スミルノフ統計テスト(KS)にインスパイアされたビンニングフリーキャリブレーション尺度を導入する。 提案手法は,KS誤差に対する既存の手法と,他の一般的なキャリブレーション手法とを一貫して比較する。
  論文  参考訳（メタデータ） (2020-06-23T07:18:05Z)
• Mix-n-Match: Ensemble and Compositional Methods for Uncertainty Calibration in Deep Learning [21.08664370117846]
  我々は,Mix-n-Matchキャリブレーション戦略が,データ効率と表現力を大幅に向上することを示す。 標準評価プラクティスの潜在的な問題も明らかにします。 我々の手法はキャリブレーションと評価タスクの両方において最先端のソリューションより優れている。
  論文  参考訳（メタデータ） (2020-03-16T17:00:35Z)

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。