基于冯·米塞斯-费舍尔混合模型的面部识别性别偏见缓解方法

尽管深度学习算法在众多日常应用中展现出优异的性能与可靠性，但大量研究表明，许多模型存在偏见，对特定人群子群体（如性别、种族）表现出歧视性。这促使实践者致力于构建公平的系统，确保在敏感群体间具备一致或可比的性能表现。本文聚焦于深度人脸识别网络中的性别偏见问题。为更准确地衡量此类偏见，我们提出了两个新的评估指标——$\mathrm{BFAR}$（性别公平误报率）与$\mathrm{BFRR}$（性别公平拒识率），以更好地反映人脸识别系统在实际部署中的内在需求。受几何学原理的启发，我们提出一种新型后处理方法，通过将预训练模型的深度嵌入表示进行变换，增强被歧视子群体的表征能力。该方法的核心是训练一个浅层神经网络，以最小化一种公平的 von Mises-Fisher 损失函数，其超参数能够反映不同性别的类内方差特性。有趣的是，我们通过实验发现，这些超参数与所提出的公平性指标之间存在显著相关性。在多个数据集上的大量数值实验表明，通过精心选择这些超参数，可显著降低性别偏见。实验所用代码已公开，可访问 https://github.com/JRConti/EthicalModule_vMF 获取。