초록
발표된 연구들은 성별-인종 그룹 간 자동 얼굴 기반 성별 분류 알고리즘의 편향성을 제시하고 있습니다. 특히, 여성과 피부색이 어두운 사람들을 대상으로 한 정확도가 불균형하게 나타났습니다. 이러한 성별 분류기의 편향성을 완화하기 위해 시각 커뮤니티는 여러 전략을 개발하였습니다. 그러나 이러한 완화 전략의 효과는 주로 백인(Caucasian)과 아프리카계 미국인(African-American) 등 제한된 수의 인종에 대해 입증되었습니다. 또한, 이들 전략은 종종 편향성과 분류 정확도 사이에서 균형을 맞추어야 하는 문제를 가지고 있습니다. 본 연구에서는 최신 기술을 발전시키기 위해 생성적 관점(generative views), 구조적 학습(structured learning), 그리고 증거 기반 학습(evidential learning)의 힘을 활용하여 성별 분류 편향성을 완화하는 방법을 제안합니다. 광범위한 실험 검증을 통해 제시된 편향성 완화 전략이 성별-인종 그룹 간 분류 정확도를 개선하고 편향성을 줄이는 데 우수함을 입증하였으며, 이는 내부 데이터셋 및 교차 데이터셋 평가에서 최고 수준의 성능을 달성하였습니다.