Jun, 2020

面部识别中实现性别中性的面部特征描述以减小偏见

PDF
TL;DR深度网络在进行面部识别训练时，隐含地编码了性别信息，但由此导致面部描述符对隐私泄露和性别偏见的影响发生，本文提出了一种名为 AGENDA 的新型对抗去性别偏差算法，能够显著降低面部描述符中性别信息的可预测性，从而减少面部验证中的性别偏见，同时保持良好的识别性能。
deep networksgender informationface recognitionprivacy leakagegender bias
发现论文，激发创造
  • 基于对抗学习减轻神经对话生成中的性别偏见

    本文提出了基于对抗学习的、旨在降低对话系统中性别歧视的新框架 Debiased-Chat，并在两个真实的对话数据集上进行了广泛的实验，结果表明该框架明显降低了对话模型的性别偏见，同时保持了响应质量。

    Sep, 2020

  • 平衡数据集并不足够：在深度图像表示中估计和缓解性别偏见

    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

  • GBDF: 面向公平 DeepFake 检测的性别平衡 DeepFake 数据集

    本文建立了一个性别平衡且标注了性别标签的深度伪造数据集，用于解决当前深度学习伪造检测器在性别上表现差异导致的不公平问题。分析结果表明，当前普遍采用的深度伪造检测器在大多数情况下男性的表现优于女性的表现。

    Jul, 2022

  • 性别倾斜：通过属性操作实现计算机视觉模型的反事实公平性

    本文提出了一种使用编码器 - 解码器网络开发的人脸图像合成方法，以测量商业计算机视觉分类器的反事实公平性，并报告了在线搜索服务中与职业相关的关键字中出现的偏向性，用以解释模型偏差的来源。

    May, 2020

  • 基于半对抗网络的性别隐私保护方法：对混淆任意性别分类器的集成算法

    该论文提出了一种基于 Semi Adversarial Networks 的集成模型来实现对面部图像的隐私保护，并通过多个实验验证了该模型在实现面部图像的性别隐私保护方面的有效性。

    Jul, 2018

  • InclusiveFaceNet: 利用种族与性别多样性提升人脸属性检测

    本研究提出了一种面部属性检测的方法，即在学习属性检测任务之前学习人口统计信息，从而在性别和种族子群中保持或提高属性检测的准确性。该系统名为 InclusiveFaceNet，通过转移从公开种族和性别身份的数据集中学习到的种族和性别表示来检测面部属性，同时在保留潜在用户人口统计隐私的同时，获得了迄今为止面部属性检测中关于 Faces of the World 和 CelebA 数据集中最佳的报告数字之一。

    Dec, 2017

  • 使用分散的数据收集和激励措施解决人脸监测器中的偏见问题

    本研究提出了使用混合多任务级联卷积神经网络和 FaceNet 嵌入来消除人脸检测模型对不同种族、性别和年龄群体的偏见，并在用户验证的分散化系统中进行模型重训练。

    Oct, 2022

  • 负责任的 AI：情感识别中的性别偏见评估

    本研究旨在通过在六个不同的神经网络中进行深入调查，对面部表情识别的深度学习方法中的性别偏见进行研究，并根据公正的三个定义对其进行评估。结果显示，某些模型存在性别偏见，而更具偏见性的神经网络在男性和女性测试集之间的情感识别准确度差距更大，此外也观察到更适合用于男性和女性情感分类的不同情绪类型。

    Mar, 2021

  • 模型无关性别去偏见图像描述

    本文提出名为 LIBRA 的框架，通过学习从合成有偏差的样本中减少性别偏见，从而降低图像字幕模型中的两种性别偏见类型：利用上下文以预测性别的偏见以及因性别导致生成某些（通常是刻板印象的）词语的概率的偏见。

    Apr, 2023

  • 探究深度面部分析中的偏差：KANFace 数据集和实证研究

    本文研究基于深度学习技术的面部识别、年龄估计、性别识别和亲属关系验证模型中存在的人口统计学偏差，并通过引入规模最大、最全面的面部图像和视频数据集及手动注释，揭示了基于最先进模型的拟合性能和偏差，最后引入和验证了去偏嵌入网络的方法。

    May, 2020