本研究构建了一个包含 108,501 张图像的人脸图像数据集，强调数据集的平衡种族构成，通过对基于此数据集训练模型和评估性能的实验，发现模型的准确性较高且与种族和性别无关。

Aug, 2019

通过深入分析，本文重点讨论了涉及种族、年龄和性别等因素的交叉偏见问题，提出了在当前文献中较少探索的种族、年龄和性别组合方面的性能差异。此外，本文在定量分析中引入了五个补充指标，包括不公平影响和不公平待遇指标，以克服当前主流方法中常被忽视的重要局限。研究结果表明，人脸识别系统存在普遍偏见，不仅限于种族，不同的人口统计因素导致显著不同的结果。通过揭示这些偏见及其影响，本文旨在促进进一步研究，以开发更公正、更公平的人脸识别和验证系统。

Jul, 2023

针对自动化性别分类系统在不同种族和性别群体中存在的差异性，本文分析了深度学习算法中的架构差异和训练集不平衡等潜在差异性来源，并在两个大规模的公开数据集上进行了实验。实验结果表明，不同算法的分类表现存在一致性，而且黑种女性和黑种族总体的准确率最低，中东男性和拉丁女性的准确率大多数情况下更高。同时提出骨骼结构受基因和环境因素影响的面部形态差异可能是黑种女性表现不佳的原因。

Sep, 2020

研究发现最近深度学习模型容易出现以种族和性别等保护类别为基础的歧视。通过使用平衡的脸部数据集，探究三种常见的深度伪造检测器在保护子群体上的性能差异，发现预测性能在种族之间存在很大的差异，该研究还发现一些方法可能会导致伪造影响保护子群体，并造成检测器出现系统性别种族歧视。

May, 2021

利用深度学习技术和一个由 100 万个带有十个基础面部编码方案的人脸图像组成的数据集，促进对于面部多样性的研究和发展，以提高面部识别系统的公平性和准确性。

Jan, 2019

分析了面部属性对人脸识别系统的影响，探讨了人口统计学以外的因素如饰品、发型、脸型等在身份验证性能方面的影响，提出了进一步增强人脸识别系统鲁棒性、可解释性和公平性的需求。

Mar, 2021

通过使用基于 GAN 的半对抗网络（PrivacyNet）的图像扰动方法，我们很好地实现了对输入面部图像进行软生物特征隐私的保护，在面部图像用于匹配目的时仍能够进行匹配，但无法可靠地被用于属性分类器。

Jan, 2020

该研究提出了一种新的深度学习框架，预测面部属性并将其作为软模态来提高面部识别性能，并且在预测属性和面部特征中融合以改进面部识别性能。实验结果表明，该模型在面部识别和属性预测性能方面都有很好的表现，特别是在身份面部属性预测方面。

Apr, 2018

本文介绍了 MixFairFace 框架，旨在提高人脸识别模型的公正性，并通过新的评估协议来公平地评估不同方法的公平表现。此外，我们提出了 MixFair Adapter 来确定和减少训练样本的身份偏差，解决了面部表征中的身份偏差问题，从而在所有基准数据集中实现了最先进的公平性能。

Nov, 2022

利用生成的训练数据集中的人口属性平衡机制，提出了一种全面的评估方法，旨在促进更公平、透明的人脸识别和验证，并发现在减少人口属性不公平的同时，性能差距仍然存在。

Jun, 2024