Tiefe generative Ansichten zur Minderung der Geschlechtsklassifizierungsvoreingenommenheit in Geschlechts-Rassen-Gruppen

Veröffentlichte Studien haben darauf hingewiesen, dass automatisierte, auf Gesichtsbildern basierende Geschlechtsklassifikationsalgorithmen eine Verzerrung (bias) zwischen verschiedenen Geschlechts- und Rassengruppen aufweisen. Insbesondere wurden ungleiche Genauigkeitsraten für Frauen und dunkelhäutige Menschen festgestellt. Um die Verzerrung von Geschlechtsklassifikatoren zu verringern, hat die Vision Community mehrere Strategien entwickelt. Allerdings wurde die Wirksamkeit dieser Minderungsstrategien hauptsächlich an einer begrenzten Anzahl von Rassen, insbesondere an Kaukasiern und Afroamerikanern, nachgewiesen. Darüber hinaus bieten diese Strategien oft einen Kompromiss zwischen Verzerrung und Klassifizierungsgenauigkeit. Um den Stand der Technik weiter zu verbessern, nutzen wir die Potenziale generativer Ansichten, strukturierten Lernens und evidenzbasierten Lernens zur Verringerung der Geschlechtsklassifikationsverzerrung. Durch umfangreiche experimentelle Validierungen zeigen wir die Überlegenheit unserer Verzerrungsminderungsstrategie bei der Verbesserung der Klassifizierungsgenauigkeit und der Reduzierung der Verzerrung in verschiedenen Geschlechts- und Rassengruppen. Dies führt zu einem Spitzenleistungsniveau sowohl in innerhalb- als auch in über-dataset-Evaluierungen.