利用面部表情识别 (FER) 作为领域，通过分析性别人口的代表性和刻板性两种偏见，研究了数据集中的人口偏见对机器学习模型的传播情况。结果显示，代表性偏见对模型的影响较弱，而刻板性偏见具有显著的影响，主要集中在有偏见的类别上，尽管它也会影响无偏见类别的预测。这些结果强调了需要区分不同类型偏见的偏见分析，这对于有效的偏见缓解策略的开发至关重要。

Jun, 2024

本研究提出了一种新的度量方法，用于评估多类多人口统计分类问题中面部表情识别中的代表性和刻板印象偏见以及训练模型的残余偏见。这些度量结合在一起，可以用于研究和比较不同的偏见缓解方法。在对 Affectnet 数据集进行分析后，我们发现其中存在巨大的种族偏见和性别定型，并提供了不同人口统计属性的不同子集来训练模型。

May, 2022

深度神经网络在面部表情识别中的应用、数据集和算法，针对过拟合和灯光、头部姿态等问题，分析和总结静态和动态图像序列的最新模型和性能，并探讨未来的发展方向和挑战。

Apr, 2018

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

基于大规模 FER 数据集的广泛实验和实践交叉验证，本文对多种网络架构进行排名，并给出了在真实情景中应用深度 FER 方法的一些推荐。此外，还讨论了实际 FER 应用中的潜在道德规范，隐私问题和法规。

Nov, 2023

通过采用核均值收缩估计器来提高情绪识别模型的公平性，我们首次分析了吸引力作为一种重要的敏感属性，并通过 CelebA 和 RAF-DB 两个广泛使用的数据集上的实验证明了我们的方法的有效性。

Jun, 2023

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

本文针对面部表情识别领域的标签偏差问题，提出了一种利用面部动作单元进行带有三元损失的 AU 校准面部表情识别（AUC-FER）框架，实验证明该方法比现有技术更有效。

Aug, 2021

提出了一种深度神经网络构架，可在多个公共面部数据库上进行面部表情识别，并且在精度和训练时间上优于传统卷积神经网络和现有方法。

Nov, 2015

本文提出了一种新颖的方法来避免处理具有极端不平衡性、且在测试时会导致表现降低的 FER 数据集，在捕捉到输入轻微语义扰动的同时，考虑了样本点的邻域平滑度，减少了那些不可靠的样本的影响。在 AffectNet 这个最大的 FER 数据库中进行的实验表明，该方法是有效的，并且报告了最新的研究结果，相较于现有的的技术方法提高了 30% 的上限。

Apr, 2020