論文の概要: CIFA: Contextual-Intersectional Fairness Auditing for Hidden Subgroup Discovery in Face Analysis

• arxiv url: http://arxiv.org/abs/2608.09669v1
• Date: Mon, 10 Aug 2026 14:44:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.316856
• Title: CIFA: Contextual-Intersectional Fairness Auditing for Hidden Subgroup Discovery in Face Analysis
• Title（参考訳）: CIFA: 顔分析における隠れたサブグループ発見のための文脈間フェアネス監査
• Abstract要約: 本稿では,サブグループの脆弱性を特定するためのコンテキスト間公正監査フレームワーク(CIFA)を提案する。 CIFAは、人口統計学的、文脈的、文脈的・横断的な監査を行い、次いで最も脆弱な属性の組み合わせを特定し、ランク付けするための最悪のグループ発見を行う。 以上の結果から,集合的精度と人口統計のみの評価は,有意な文脈間格差を隠蔽する可能性が示唆された。
• 参考スコア（独自算出の注目度）: 24.75673745723537
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fairness evaluation in computer vision commonly relies on aggregate accuracy and demographic subgroup analysis. However, visual models are also sensitive to contextual factors such as illumination, blur, image quality, facial accessories, and appearance attributes. These factors may interact with demographic characteristics, producing hidden subgroups in which performance degrades substantially despite strong aggregate accuracy and apparently acceptable demographic fairness. To address this, we propose the Contextual-Intersectional Fairness Auditing Framework (CIFA), a structured framework for identifying subgroup vulnerabilities arising from interactions between demographic and contextual attributes. CIFA performs demographic, contextual, and contextual-intersectional auditing, followed by worst-group discovery to identify and rank the most vulnerable attribute combinations. We evaluate CIFA on gender classification using ResNet-50 \cite{he2016deep} and ViT-B/16 \cite{dosovitskiy2020image} across FairFace \cite{Karkkainen2021}, CelebA \cite{Liu2015}, and UTKFace \cite{Zhang2017}. Our results show that aggregate accuracy and demographic-only evaluation can mask substantial contextual-intersectional disparities. We further assess several established mitigation strategies through an audit--mitigate--reaudit protocol and find that, although some worst-group disparities are reduced, no single strategy consistently eliminates them across datasets and architectures. These findings establish contextual-intersectional auditing as an important component of fairness evaluation and provide a reproducible framework for discovering, prioritizing, and reassessing hidden subgroup risks in face analysis systems.
• Abstract（参考訳）: コンピュータビジョンにおける公平性評価は、一般に集合的精度と階層的サブグループ分析に依存している。 しかし、視覚モデルはまた、照明、ぼかし、画質、顔のアクセサリー、外観属性といった文脈的要因にも敏感である。 これらの要因は人口統計学的特徴と相互作用し、強い集計精度と明らかに受け入れられる人口統計学的公正性にもかかわらず、パフォーマンスが著しく低下する隠れたサブグループを生み出す可能性がある。 そこで本稿では,階層的属性と文脈的属性の相互作用から生じるサブグループ脆弱性を識別する構造化フレームワークであるCIFAを提案する。 CIFAは、人口統計学的、文脈的、文脈的・横断的な監査を行い、次いで最も脆弱な属性の組み合わせを特定し、ランク付けするための最悪のグループ発見を行う。 ResNet-50 \cite{he2016deep} と ViT-B/16 \cite{dosovitskiy2020image} を用いて、FairFace \cite{Karkkainen2021} 、CelebA \cite{Liu2015} 、UTKFace \cite{Zhang2017} を用いて性別分類のCIFAを評価する。 以上の結果から,集合的精度と人口統計のみの評価は,有意な文脈間格差を隠蔽する可能性が示唆された。 さらに、監査-緩和-監査プロトコルを通じて確立された緩和戦略を評価し、いくつかの最悪のグループ格差が低減されているにもかかわらず、データセットやアーキテクチャをまたいでそれらを一貫して排除する単一の戦略は存在しないことを発見した。 これらの知見は, フェアネス評価の重要な構成要素としてコンテキスト間監査を確立し, 顔分析システムにおいて隠れたサブグループリスクを発見し, 優先順位付けし, 再評価するための再現可能な枠組みを提供する。

関連論文リスト

• WIDER-FAIR: An Annotated Version of the WIDER-FACE Dataset for Fairness Evaluation [0.7034739490820968]
  WIDER-FACEベンチマークをベースとした新しい顔検出データセットを導入し,各顔の民族性や性別を手動でアノテートする。 このデータセットには、アジア、黒人、インド、白人の4つの民族グループに注釈付けされた16,256の画像と、2つの性分類が含まれている。 我々は,黒人の顔に対する検出性能が顕著に低下していることを示し,このグループをトレーニングから除外することは,他のどの民族グループも除外するよりも公平性の違いを増大させることを示した。
  論文  参考訳（メタデータ） (2026-06-30T14:10:42Z)
• Mitigating Bias with Words: Inducing Demographic Ambiguity in Face Recognition Templates by Text Encoding [18.08946802592489]
  顔認識システムは、しばしば人口統計学的バイアスに起因し、部分的には、人口統計学的情報と、顔の埋め込みにおけるアイデンティティ関連の特徴が絡み合っているためである。 我々は,顔埋め込みにおける人口動態のあいまいさを誘発する新しい手法である統一テキスト・イメージ・埋め込み(UTIE)を提案する。 UTIEは、いくつかのケースにおいて、顔認証精度を維持しながら、あるいは改善しながら、常にバイアスメトリクスを減少させることを示す。
  論文  参考訳（メタデータ） (2025-12-05T10:41:58Z)
• Latent Feature Alignment: Discovering Biased and Interpretable Subpopulations in Face Recognition Models [2.098253213160396]
  Latent Feature Alignment (LFA) は属性ラベルなしのアルゴリズムで、潜在方向を使ってサブポピュレーションを識別する。 LFAは群内セマンティックコヒーレンスにおいて、k-平均と最近傍探索を一貫して上回る。 これらの結果から,LFAを顔認識モデルの表現監査の実践的手法として位置づけた。
  論文  参考訳（メタデータ） (2025-10-17T10:49:50Z)
• Fair Deepfake Detectors Can Generalize [51.21167546843708]
  共同設立者(データ分散とモデルキャパシティ)の制御により,公正な介入による一般化が向上することを示す。 この知見を応用して, 逆正当性重み付けとサブグループワイド特徴正規化を併用し, 新たなアライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・インセンティブ・インターベンション・インベンション・インテクション(DAID)を提案する。 DAIDは、いくつかの最先端技術と比較して、公平性と一般化の両方において一貫して優れた性能を達成する
  論文  参考訳（メタデータ） (2025-07-03T14:10:02Z)
• $C^2$AV-TSE: Context and Confidence-aware Audio Visual Target Speaker Extraction [80.57232374640911]
  我々はMask-And-Recover (MAR)と呼ばれるモデルに依存しない戦略を提案する。 MARは、モダリティ間およびモダリティ間コンテキスト相関を統合し、抽出モジュール内の大域的推論を可能にする。 各サンプルの難易度を向上するために, 精細信頼スコア(FCS)モデルを導入する。
  論文  参考訳（メタデータ） (2025-04-01T13:01:30Z)
• FairSAM: Fair Classification on Corrupted Data Through Sharpness-Aware Minimization [12.178322948983263]
  クリーンなデータに基づいてトレーニングされた画像分類モデルは、しばしば、破損したデータをテストする際に大きなパフォーマンス劣化に悩まされる。 この劣化は全体的なパフォーマンスに影響を及ぼすだけでなく、様々な階層のサブグループに不均等に影響を与え、重要なアルゴリズムバイアスの懸念を引き起こす。 既存の公平性を意識した機械学習手法は、性能格差を減らすことを目的としているが、データの破損に直面した場合、堅牢で公平な精度を維持することは困難である。 我々は、アンダーラインFairnessを指向した戦略をアンダーラインSAMに統合した新しいフレームワークである textbfFairSAM を提案する。
  論文  参考訳（メタデータ） (2025-03-29T01:51:59Z)
• A structured regression approach for evaluating model performance across intersectional subgroups [53.91682617836498]
  分散評価(disaggregated evaluation)は、AIフェアネスアセスメントにおける中心的なタスクであり、AIシステムのさまざまなサブグループ間でのパフォーマンスを測定することを目的としている。 非常に小さなサブグループであっても,信頼性の高いシステム性能推定値が得られることを示す。
  論文  参考訳（メタデータ） (2024-01-26T14:21:45Z)
• Fairness meets Cross-Domain Learning: a new perspective on Models and Metrics [80.07271410743806]
  クロスドメイン学習(CD)とモデルフェアネスの関係について検討する。 いくつかの人口集団にまたがる顔画像と医療画像のベンチマークと、分類とローカライゼーションタスクについて紹介する。 本研究は,3つの最先端フェアネスアルゴリズムとともに,14のCDアプローチをカバーし,前者が後者に勝ることを示す。
  論文  参考訳（メタデータ） (2023-03-25T09:34:05Z)
• 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)
• Mitigating Face Recognition Bias via Group Adaptive Classifier [53.15616844833305]
  この研究は、全てのグループの顔がより平等に表現できる公正な顔表現を学ぶことを目的としている。 我々の研究は、競争精度を維持しながら、人口集団間での顔認識バイアスを軽減することができる。
  論文  参考訳（メタデータ） (2020-06-13T06:43:37Z)

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。