論文の概要: Bias Mitigation in Face Recognition via Demographic-based Supervised Contrastive Learning

• arxiv url: http://arxiv.org/abs/2608.12971v1
• Date: Thu, 13 Aug 2026 08:51:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-14 18:29:38.445023
• Title: Bias Mitigation in Face Recognition via Demographic-based Supervised Contrastive Learning
• Title（参考訳）: デモグラフィに基づく教師付きコントラスト学習による顔認識におけるバイアス軽減
• Abstract要約: 顔認識システムは、性別、年齢、民族によって異なる誤り率を示すことで、特定の人口集団に偏っていることが示されている。 本稿では,画像認識のためのDemographic-based Supervised Contrastive Los(DeSCon)を提案する。
• 参考スコア（独自算出の注目度）: 4.060167104955954
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Face recognition systems have been shown to be biased toward certain demographic groups by exhibiting different error rates across gender, age, or ethnicity. Though the imbalance of the training data with respect to these demographics is one cause of this bias, training on artificially balanced groups does not completely mitigate the problem. For deployment, face recognition typically works at operating points allowing very low false match rates and, hence, on the tail of the non-match score distribution. While class balancing can improve the means of these distributions, the aim of our approach is to improve fairness by addressing the behavior in the tail. Particularly, we propose the Demographic-based Supervised Contrastive loss (DeSCon) for face recognition, which relies on a well-designed composition of training batches and demographic-aware pair selection. Our experimental evaluation on both demographically-labeled datasets and standard verification benchmarks shows that DeSCon can improve fairness beyond balancing training datasets while maintaining competitive verification performance. Source code is available upon request.
• Abstract（参考訳）: 顔認識システムは、性別、年齢、民族によって異なる誤り率を示すことで、特定の人口集団に偏っていることが示されている。 これらの人口統計に関するトレーニングデータの不均衡は、このバイアスの原因の1つであるが、人工的なバランスの取れたグループのトレーニングは、この問題を完全に緩和するわけではない。 デプロイメントでは、顔認証は一般に、非常に低い偽マッチングレートで動作し、したがって非マッチスコア分布のテールで機能する。 クラスバランスはこれらの分布の方法を改善することができるが,本手法の目的は,尾部の振る舞いに対処することで公平性を改善することである。 特に,顔認識のためのDemographic-based Supervised Contrastive Los (DeSCon)を提案する。 人口統計ラベル付きデータセットと標準検証ベンチマークの両方に対する実験的な評価は、DeSConが、競争力のある検証性能を維持しながら、トレーニングデータセットのバランスを保ちながら公正性を向上できることを示している。 ソースコードは要求に応じて入手できる。

関連論文リスト

• Reliable and Reproducible Demographic Inference for Fairness in Face Analysis [63.46525489354455]
  本稿では、従来のエンドツーエンドトレーニングをモジュラートランスファー学習アプローチで置き換える、完全に再現可能なDAIパイプラインを提案する。 このパイプラインは、正確性、公正性、そしてアイデンティティ内整合性によって定義される、新たに導入された堅牢性の概念の3つの次元にわたって監査する。 以上の結果から,提案手法は特に民族性において,強い基準線を上回り,その特性はより困難であることが示唆された。
  論文  参考訳（メタデータ） (2025-10-23T12:22:02Z)
• Fairness Without Labels: Pseudo-Balancing for Bias Mitigation in Face Gender Classification [10.66892435479991]
  顔の性別分類モデルは、しばしば、トレーニングデータに存在する人口統計バイアスを反映し、増幅する。 半教師付き学習において,そのようなバイアスを軽減するためのシンプルで効果的な戦略である擬似バランスを導入する。 本手法は,レースバランスデータセットからのラベルなし画像のみを用いて,擬似ラベル選択時の人口収支を強制する。
  論文  参考訳（メタデータ） (2025-10-11T12:08:40Z)
• Score Normalization for Demographic Fairness in Face Recognition [16.421833444307232]
  有名なサンプル中心スコア正規化技術であるZ-normとT-normは、高セキュリティ動作点の公平性を向上しない。 標準Z/Tノルムを拡張し、正規化における人口統計情報を統合する。 本手法は,5つの最先端の顔認識ネットワークの全体的な公正性を改善する。
  論文  参考訳（メタデータ） (2024-07-19T07:51:51Z)
• Toward Fairer Face Recognition Datasets [69.04239222633795]
  顔認識と検証は、ディープ表現の導入によってパフォーマンスが向上したコンピュータビジョンタスクである。 実際のトレーニングデータセットにおける顔データとバイアスのセンシティブな性格による倫理的、法的、技術的な課題は、彼らの開発を妨げる。 生成されたトレーニングデータセットに階層属性のバランス機構を導入することにより、公平性を促進する。
  論文  参考訳（メタデータ） (2024-06-24T12:33:21Z)
• D-BIAS: A Causality-Based Human-in-the-Loop System for Tackling Algorithmic Bias [57.87117733071416]
  D-BIASは、人間のループ内AIアプローチを具現化し、社会的バイアスを監査し軽減する視覚対話型ツールである。 ユーザは、因果ネットワークにおける不公平な因果関係を識別することにより、グループに対する偏見の存在を検出することができる。 それぞれのインタラクション、例えばバイアスのある因果縁の弱体化/削除は、新しい(偏りのある)データセットをシミュレートするために、新しい方法を用いている。
  論文  参考訳（メタデータ） (2022-08-10T03:41:48Z)
• Parity-based Cumulative Fairness-aware Boosting [7.824964622317634]
  データ駆動型AIシステムは、性別や人種といった保護された属性に基づいた差別につながる可能性がある。 AdaFairは、各ラウンドでデータ分布を変更するフェアネスを意識したブーピングアンサンブルである。 提案手法は, 統計的パーティ, 均等な機会, 異質な不正処理の両面から, パリティを達成できることを実証した。
  論文  参考訳（メタデータ） (2022-01-04T14:16:36Z)
• Increasing Fairness in Predictions Using Bias Parity Score Based Loss Function Regularization [0.8594140167290099]
  従来のバイナリクロスエントロピーに基づく精度損失と合わせて使用する正則化成分の公平性向上のファミリを導入する。 我々は、人口統計に基づく成人所得データセットと同様に、再分配予測タスクの文脈に展開する。
  論文  参考訳（メタデータ） (2021-11-05T17:42:33Z)
• Measuring Fairness Under Unawareness of Sensitive Attributes: A Quantification-Based Approach [131.20444904674494]
  センシティブな属性の無意識下でのグループフェアネスを測定する問題に取り組む。 定量化手法は, フェアネスと無意識の問題に対処するのに特に適していることを示す。
  論文  参考訳（メタデータ） (2021-09-17T13:45:46Z)
• 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)
• Towards Accuracy-Fairness Paradox: Adversarial Example-based Data Augmentation for Visual Debiasing [15.689539491203373]
  機械学習の公平性は、ターゲットタスクに対処する際に、特定の保護された、または機密性の高いグループに対するバイアスを懸念する。 本稿では,画像分類タスクの文脈におけるバイアス問題について検討する。
  論文  参考訳（メタデータ） (2020-07-27T15:17:52Z)
• 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。