本篇论文对男女面部识别精度差异进行了深入分析，发现女性识别精度较低的原因是女性的冒名者分布向更高的相似性分数倾斜和女性真实分布向较低的相似性分数倾斜，这种现象的普遍性跨越 African-American、Caucasian 和 Asian 面孔的数据集，即使在将照片子集分别分为中立表情和垂直角度为零时，精度差异也会持续存在。

Jan, 2020

通过实验发现，男女发型有重要差异，尤其是男性胡须会造成不同男性面孔之间的平均外观差异更大，而当基于发型来遮挡面部的数据在性别上平衡后，初始的性别差距在识别准确性上大部分消失，这个结果对未来研究中包含性别差异具有启示意义。

Jun, 2022

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

面部的着装出现变化可以大大改变外貌。虽然更大的训练集可以提高对所有面部着装的识别准确率，但是由于面部着装的影响，准确率的变化不受训练集大小的影响。此外，不同人群中面部着装的分布可能导致误导人们对不同人群之间识别准确率的印象。通过分析面部着装在训练数据中不同比例的影响，我们发现，即使使用平衡的无胡须和有胡须的训练集进行训练，测试数据上的准确率变化并没有减少。进一步研究面部着装分布对训练数据的影响，我们采用数据增强技术对面部着装像素进行操作，并通过面部标志点和面部分割模型的帮助。我们的结果表明，面部着装导致了无胡须和有胡须图像之间的准确率差距，并且这种影响在非洲裔美国人和白人之间差异显著。

May, 2024

本文提出了一个框架来度量和降低视觉识别任务中与保护变量（例如性别）有关的固有偏差。通过采用对抗性方法来从深度神经网络中去除受保护变量的不想要的特征，我们展示了该方法的有效性，并在两个数据集上进行了实验。实验结果表明，在保持准确性的情况下，本方法减少了性别偏见的放大。

Nov, 2018

本文介绍一种新的 Equalizer 模型，该模型生成基于个体外貌或图像环境的性别特定字幕单词，并使用 “外貌混淆损失” 和 “自信损失” 缓解了描述数据集中不必要的偏差影响，从而实现了目标当性别信息模糊时，模型需要看人物而不是使用语境线索来制定性别特定的预测。

Mar, 2018

本文提出了一种新的算法来训练公平的 deepfake detection model，以解决使用偏见的数据训练深度学习模型可能会导致不公平表现的问题。实验结果表明，该方法可以提高 deepfake detection 的公平性和鲁棒性。

Jun, 2023

本文讨论人脸识别准确率差异的问题，指出虽然许多数据集都平衡了各个人群中身份的数量和图像的数量，但身份和图像数量并不是影响一对一人脸匹配准确性的决定因素，因此需要一个更具有偏差意识的工具包来创建跨人群的平衡评估数据集。

Apr, 2023

本文旨在探讨预训练模型在输入图像扭曲时是否会出现偏向性。通过对四个深度人脸识别模型在图像扭曲下不同性别和种族子群的表现进行系统分析，我们发现图像扭曲与模型在不同子群之间的性能差距存在关联。

Aug, 2021