論文の概要: Whose Face Is It Anyway? A Multi-Model Audit of Facial Affect Recognition on Children, and Why the Gap Is the Head, Not the Features

• arxiv url: http://arxiv.org/abs/2610.08279v1
• Date: Tue, 06 Oct 2026 12:51:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.987507
• Title: Whose Face Is It Anyway? A Multi-Model Audit of Facial Affect Recognition on Children, and Why the Gap Is the Head, Not the Features
• Title（参考訳）: 誰の顔なのか? 顔の認知が子どもに与える影響のマルチモデルオーディションと、なぜ頭が頭であって、特徴ではないのか
• Abstract要約: 顔の感情モデルはほとんどが成人を対象に訓練されているが、教育、健康、発達研究の子供たちに応用されることが増えている。 本研究では,4つの子画像データセット,AffectNet-8バリデーションセット,および2つの子ビデオデータセットを1つの共有ハーネスで比較した。 第一に、子供のギャップはモデルに依存しない: 全てのアーキテクチャは、自然主義的な顔から自然主義的な顔へと格下げされ、恐怖$rightarrow$surpriseの混乱を共有する。 第二に、それは5つのモデルにまたがって集中し、コロンボレートされる:オープンマウスの顔(驚きのごとく)
• 参考スコア（独自算出の注目度）: 9.847449515885277
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Facial affect models are trained almost entirely on adults, yet are increasingly applied to children in education, health, and developmental research. We present a controlled, multi-model audit of five AffectNet-pretrained expression models (EmoNet, EmotiEffLib, DDAMFN++, OpenFace 3.0, LibreFace) on children, across four child image datasets, the AffectNet-8 validation set, and two spontaneous child video datasets, through one shared harness. Three findings emerge. First, the child gap is model-agnostic: every architecture degrades from posed to naturalistic faces and shares the fear$\rightarrow$surprise confusion. Second, it is concentrated and corroborated across all five models: open-mouth faces (read as surprise, correlating with the AU26 jaw drop) and South-Asian children degrade systematically, with a smaller averted-gaze penalty, while closed-mouth faces, White and Black children, and direct gaze do not; the bias tracks expression morphology and specific populations, not skin tone. Third, the gap is diagnosable: a linear probe on frozen features reaches 0.75-0.91 on unseen children versus 0.48-0.66 zero-shot, so it lies largely in the classifier head, not the representation, whereas dimensional valence/arousal regression degrades sharply under domain shift. Building on this, recalibrating only the head on a little target data recovers $+0.13$ to $+0.28$ on the two largest child sets across all five models at negligible adult cost, though the gain is in-distribution and does not transfer across child collections. We will release the harness, per-sample predictions, and analysis code; the child face data stays license-locked and is never redistributed.
• Abstract（参考訳）: 顔の感情モデルはほとんどが成人を対象に訓練されているが、教育、健康、発達研究の子供たちに応用されることが増えている。 本研究では,5つのAffectNet事前学習式モデル (EmoNet, EmotiEffLib, DDAMFN++, OpenFace 3.0, LibreFace) を,4つの子画像データセット,AffectNet-8検証セット,および2つの子ビデオデータセット間で比較検討した。 3つの発見がある。 第一に、子供のギャップはモデルに依存しない: 全てのアーキテクチャは、自然主義的な顔から自然主義的な顔へと格下げされ、恐怖$\rightarrow$surpriseの混乱を共有する。 第二に、オープンマウスの顔(AU26の顎の落下と関係している)とサウスアジア系の子供たちは体系的に退行し、回避されたガゼのペナルティは小さく、一方、クローズマウスの顔、白と黒の子供たち、そして直接の視線は、肌の色ではなく、表現形態や特定の個体群を追跡している。 第3に、凍結した特徴に対する線形プローブは、目に見えない子供に対して0.75-0.91に達するが、0.48-0.66ゼロショットは、表象ではなく分類器の頭部にある。 これに基づいて、小さなターゲットデータ上のヘッドのみをリカバリすると、すべての5つのモデルで無視可能な大人のコストで、最大2つの子セットに対して、+0.13$から$+0.28$に回復する。 私たちは、ハーネス、サンプルごとの予測、分析コードをリリースします。

関連論文リスト

• KidVis: Do Multimodal Large Language Models Possess the Visual Perceptual Capabilities of a 6-Year-Old? [79.27736230305516]
  人間の視覚発達理論に基づく新しいベンチマークであるKidVisを紹介する。 人間の生理的ベースラインに対する20の最先端MLLMを評価すると、パフォーマンスの相違が明らかになる。 この研究は、現在のMLLMは、彼らの推論能力にもかかわらず、一般化された視覚知能に必要な生理的知覚的プリミティブが欠如していることを確認する。
  論文  参考訳（メタデータ） (2026-01-13T07:32:50Z)
• 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)
• Where Fact Ends and Fairness Begins: Redefining AI Bias Evaluation through Cognitive Biases [77.3489598315447]
  事実と公正の境界を識別することは有意義な公正性評価に不可欠である,と我々は主張する。 Fact-or-Fair は (i) 客観的なクエリを記述的, 事実に基づく判断, (ii) 主観的クエリを規範的, 公平性に基づく判断に整合させたベンチマークである。
  論文  参考訳（メタデータ） (2025-02-09T10:54:11Z)
• Efficient Verification-Based Face Identification [50.616875565173274]
  効率の良いニューラルモデルで顔認証を行う際の問題点を$f$で検討する。 我々のモデルは、23kパラメータと5M浮動小数点演算(FLOPS)しか必要としない、かなり小さな$f$に導かれる。 我々は、6つの顔認証データセットを用いて、我々の手法が最先端のモデルよりも同等か優れていることを示す。
  論文  参考訳（メタデータ） (2023-12-20T18:08:02Z)
• On Hate Scaling Laws For Data-Swamps [14.891493485229251]
  HCR(Hate Content Rate)測定値で測定すると,データセットにおけるヘイトフルコンテンツの存在が約12%増加した。 スケールが大きくなるにつれて、他の7つの攻撃的クラスに比べて、人間の顔の画像と人間のクラスを関連付ける傾向が半減した。 黒人女性のカテゴリーでは、モデルを犯罪者のクラスに関連付ける傾向は2倍になり、黒人男性の顔のクインタップリングは4倍になった。
  論文  参考訳（メタデータ） (2023-06-22T18:00:17Z)
• Rethinking Bias Mitigation: Fairer Architectures Make for Fairer Face Recognition [107.58227666024791]
  顔認識システムは、法執行を含む安全クリティカルなアプリケーションに広くデプロイされている。 彼らは、性別や人種など、様々な社会的デデノグラフィー次元に偏見を示す。 バイアス軽減に関するこれまでの研究は、主にトレーニングデータの事前処理に重点を置いていた。
  論文  参考訳（メタデータ） (2022-10-18T15:46:05Z)
• A Distillation Learning Model of Adaptive Structural Deep Belief Network for AffectNet: Facial Expression Image Database [0.0]
  我々は,Deep Belief Network (DBN) の適応型構造学習法を開発した。 本稿では,表情画像データセットであるAffectNetに適用する。 分類精度は78.4%から91.3%に向上した。
  論文  参考訳（メタデータ） (2021-10-25T08:01:36Z)
• 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)
• Controllable Descendant Face Synthesis [35.12798065779327]
  本稿では,制御可能な顔合成法を提案する。 私たちのモデルは継承モジュールと属性拡張モジュールで構成されています。 注意深いデザインのイメージペアは、トレーニング顔の年齢や性別のラベルだけを学習するために必要とされない。
  論文  参考訳（メタデータ） (2020-02-26T09:33:41Z)

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。