本文研究了人脸表情识别中的偏见与公平性问题，并对三种不同的方法在两个不同数据集上进行了比较，结果表明，使用数据增强的属性感知方法和解缠方法比基线方法更具准确性和公平性，在减轻人口统计学偏见方面，解缠方法是最好的选择。

Jul, 2020

本文介绍了关于面部表情识别中存在的人口统计偏见的问题，通过使用公共数据集进行实证研究，发现其结果表明在全球统计上存在的偏见并不意味着有利于所有人群，需要对歧视性偏见进行彻底分析和处理。

Oct, 2022

本文研究深度人脸识别网络中的性别偏见，并提出了两种新的度量方法 BFAR 和 BFRR 以评估性别偏见，同时通过浅层神经网络进行后处理，通过最小化公平的 von Mises-Fisher 损失来减少性别歧视。

Oct, 2022

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

本文提出了一种用于平衡生成图像的面部属性的新方法，通过在扩散模型的潜在空间中使用高斯混合模型 (GMM) 来定位面部属性的平均值，从而减小生成过程中的偏差。我们的方法不需要重新训练，而是实时定位子空间来减小生成公平数据的偏差，并保持生成样本的质量。在多个人脸属性数据集上对我们的方法进行评估，结果表明我们的方法在代表性公平性方面实现了更公平的数据生成，同时保持了生成样本的质量。

Dec, 2023

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

本文提出了一种数据之间的翻译方法，实现了图像或表格数据的公平性，有效避免保护特征的语义性对公平性造成的影响，并在实际数据集面对性别这一保护特征时表现出了很好的机会平等性。

Oct, 2018

基于生成模型，提出了一个新的两阶段框架来在有偏数据上训练公平的面部属性分类模型，通过编辑潜在的虚假属性并促进模型对这些属性的不变性，实现在面部属性分类中提升公平性而不损害准确性。

Mar, 2024

提出了一种新的面部表情识别方法，在不平衡的数据集中利用重新平衡的注意力图和重新平衡的平滑标签，使模型能够从所有训练样本中提取与次要类别相关的变换不变信息，并在不平衡的面部表情识别任务中取得了最先进的性能。

Oct, 2023

本文介绍了一种使用 GAN 生成图像并在潜在空间中扰动以生成可以平衡每个受保护属性的训练数据的方法，以缓解由相关性所引起的偏差，通过在原始数据集上增加扰动生成的数据，实证证明训练结果准确且具有许多定量和定性上的优势。在 CelebA 数据集上进行了全面评估和分析，与现有文献进行了比较。

Dec, 2020