本文章提出了一种基于深度多任务学习的方法，使用卷积神经网络来估计单张人脸图像中的多个异质属性，并在MORPH II、LFW+等数据库上进行了实验，取得了优秀的性能。

Jun, 2017

本文试图解释商用面部分类服务在性别分类任务中在由皮肤类型和性别所定义的交叉群体中表现不平等的原因。研究发现，皮肤类型不是造成准确率差异的主要原因。相反，实验表明跨族群差异在唇、眼和颧结构上的差异导致准确率的差别，唇和眼彩妆在女性面部中被视为强预测因素，这是性别刻板印象的一种有害传播。

Nov, 2018

利用深度学习技术和一个由100万个带有十个基础面部编码方案的人脸图像组成的数据集，促进对于面部多样性的研究和发展，以提高面部识别系统的公平性和准确性。

Jan, 2019

本研究构建了一个包含108,501张图像的人脸图像数据集，强调数据集的平衡种族构成，通过对基于此数据集训练模型和评估性能的实验，发现模型的准确性较高且与种族和性别无关。

Aug, 2019

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

分析了面部属性对人脸识别系统的影响，探讨了人口统计学以外的因素如饰品、发型、脸型等在身份验证性能方面的影响，提出了进一步增强人脸识别系统鲁棒性、可解释性和公平性的需求。

Mar, 2021

本研究介绍了一种结合人类主观标签和数学定义的客观标注来减轻面部分类器中的偏见的学习方法，并通过集成学习方法进行了实验验证。

Apr, 2022

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

该研究论文提出了一种完全自助式流水线用于人口统计学公平的面部属性分类器，通过利用预训练编码器伪标记的完全无标签数据、多样化的数据策划技术和基于元学习的加权对比学习，在现有基准基础上显著提高了下游图像分类任务中面部属性分类的公平性能。

Jul, 2024

本研究解决人脸识别系统中的人口偏见问题，尤其是在缺乏特定人口标签的情况下。提出的“无标签人脸”框架，通过引入类偏爱水平度量，动态调整学习参数，从而在各属性间增强公平性。实验表明，该方法在提高公平性的同时维持了身份认证的准确性。

Sep, 2024