今篇文章探讨了针对面部识别中的种族偏见问题，当前大多数方法都试图在训练过程中纠正模型中的偏见，但忽略了数据集自身所带来的种族偏见，作者实验证明，在训练中仅使用非洲面孔甚至比同等比例使用不同面孔更具公平性，并添加更多图像以提高准确性。

Sep, 2021

通过提出自适应边界的想法，构建了一个基于深度 Q 学习的 Race Balance Network (RL-RBN) 以及两个面部识别数据集，用以研究数据和算法层面的种族偏差，实验结果表明该方法成功减小了种族偏差并且学习到了更平衡的表现。

Nov, 2019

本研究提出了一种基于图像转换的敌对数据扩充方法，旨在通过转换感性种族特征的面部图像，实现每个主题的数据集平衡。实验结果表明，该方法可以减少原本不平衡的数据集中对（种族）少数群体的认知偏差，对 Softmax，CosFace 和 ArcFace 的识别表现产生积极影响

Apr, 2020

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

本篇论文介绍通过使用一个平衡的面孔集合数据集，学习进行亚组特定的阈值来消除避免面部识别系统中策略所导致的表现差异和偏差，在总体性能中表现出显著的提高。同时，通过人类评估证实了人类感知中存在这样的偏差。

Feb, 2020

在深度学习模型使用高维输入和主观标签进行训练时，公正性依然是一个复杂且缺乏研究的领域。面部情绪识别是一个数据集往往存在种族不平衡问题的领域，可能导致模型在不同种族群体之间产生不同的结果。本研究聚焦于通过对具有多样种族分布的训练集进行子采样，以及评估这些模拟中的测试性能来分析种族偏见。我们的发现表明，较小的数据集中的伪造面孔可以在接近种族平衡的模拟中提高公正性和性能指标。值得注意的是，F1 分数平均增加了 27.2 个百分点，人口统计学平等指标平均增加了 15.7 个百分点。然而，在具有更多面部变化的较大数据集中，公正性指标通常保持不变，这表明仅仅种族平衡是无法在不同种族群体之间实现测试性能的平等的。

Aug, 2023

旨在学习公平的面部表征，使用自适应卷积核和注意机制对不同人群的面部特征进行分类，提出了自适应模块来激活区分不同人口属性的脸部区域并减轻识别偏差，提出了新的去偏差损失函数，大量实验证明该方法能够有效减轻面部识别偏差。

Jun, 2020

本文提出了一种基于聚类的领域自适应方法，通过全局对齐特征域和本地区分目标聚类的方式来有效学习判别性目标特征，经过广泛的实验，证明了该方法在面部识别任务方面具有先进性能。

May, 2022

本文针对深度人脸识别在肤色判别方面的争议，提出了基于肤色匹配训练数据和学习自适应边距的元学习算法以缓解算法偏差，并提供了 Identity Shades (IDS) 数据库、BUPT-Globalface 以及 BUPT-Balancedface 数据集。实验结果表明，该算法有效缓解了肤色偏差并实现了更加平衡的人脸识别性能。

May, 2022

本文探讨了人脸识别算法中面部图像识别误差受种族差异影响的可能基础因素，包括数据驱动和场景建模，并提供了对评估算法种族偏见的方法论考虑。通过对四种面部识别算法表现的数据分析，本文得出种族偏见的存在需要在各不同应用场景下进行测量，同时提供了一个检查清单来测量面部识别算法中的种族偏见。

Dec, 2019