[論文レビュー] Jointly De-biasing Face Recognition and Demographic Attribute Estimation

Sixue Gong, Xiaoming Liu+1 more|arXiv (Cornell University)|Nov 19, 2019

Face recognition and analysis参考文献 57被引用数 16

ひとこと要約

本稿では、アイデンティティ、性別、年齢、人種のための分離表現を学習することで、顔認識と人口統計的属性推定を同時にデバイアス化する新規の敵対的ネットワーク、DebFaceを提案する。マルチタスク敵対的学習を用いて特徴要因間の相関を最小化することで、DebFaceは認識と属性予測の両方におけるバイアスを低減しつつ、ベンチマークデータセット上で最先端の性能を維持する。

ABSTRACT

We address the problem of bias in automated face recognition and demographic attribute estimation algorithms, where errors are lower on certain cohorts belonging to specific demographic groups. We present a novel de-biasing adversarial network (DebFace) that learns to extract disentangled feature representations for both unbiased face recognition and demographics estimation. The proposed network consists of one identity classifier and three demographic classifiers (for gender, age, and race) that are trained to distinguish identity and demographic attributes, respectively. Adversarial learning is adopted to minimize correlation among feature factors so as to abate bias influence from other factors. We also design a new scheme to combine demographics with identity features to strengthen robustness of face representation in different demographic groups. The experimental results show that our approach is able to reduce bias in face recognition as well as demographics estimation while achieving state-of-the-art performance.

研究の動機と目的

• 代表されないグループにおいて性能が低下する顔認識と属性推定における人口的バイアスを是正すること。
• 従来のデバイアス化手法が、人口的分類器自体がバイアスを有する場合に失敗するという限界を克服すること。
• 敵対的マルチタスク学習を用いて、アイデンティティと人口的属性のための分離表現を同時に学習すること。
• 必要に応じて、人口的バイアスのないアイデンティティ特徴と人口的特徴を融合させることで、公平性と精度のバランスを図ること。
• 分離表現が顔認識と人口的属性推定の両方におけるバイアスを低減することを実証すること。

提案手法

• DebFaceは、1つのアイデンティティ分類器と3つの人口的分類器（性別、年齢、人種）を備えたマルチタスク学習フレームワークを採用し、特徴要因を分離するように学習する。
• 全4タスクにわたり敵対的学習を適用し、各分類器が他の特徴要因との相関を最小化するように、ディスクラミネーターとして機能する。
• 共有エンコーダーを用いて特徴を抽出し、その後、アイデンティティおよび人口的属性予測のためのタスク固有のヘッドを配置する。
• 新たな融合機構により、人口的特徴とアイデンティティ特徴を組み合わせ、バイアスに強い表現（DemoID）を形成し、一般化性能を向上させる。
• 敵対的損失を用いてエンド・ツー・エンドに訓練することで、分離を促進し、バイアスの伝搬を低減する。
• 潜在的特徴からの顔再構成を用いて、アイデンティティ表現における人口的特徴の低減を定性的に検証する。

実験結果

リサーチクエスチョン

• RQ1 敵対的マルチタスク学習は、顔認識と人口的属性推定の両方を同時にデバイアス化するために効果的か？
• RQ2 アイデンティティと人口的特徴の共同学習は、独立したデバイアス化よりもバイアスを低減するか？
• RQ3 アイデンティティ特徴から人口的情報を除去することで、人口的グループごとの顔認証精度にどのような影響が生じるか？
• RQ4 融合表現は、デバイアスのないアイデンティティ特徴と人口的特徴の利点を組み合わせつつ、バイアスを再導入しないか？
• RQ5 提案手法は、先行研究の最先端手法と比較して、どの程度人口的バイアスを低減するか？

主な発見

• DebFace-IDは顔認識における人口的バイアスを低減し、RFWデータセットでバイアス度スコア0.83を達成した。これは先行研究の0.93よりも優れている。一方で、高い認証精度を維持している。
• RFWデータセットにおいて、DebFace-IDは白人で95.95%、黒人で93.67%、アジア系で94.33%、インド系で94.78%の認証精度を達成し、公平性の向上が確認された。
• 人口的属性分類の精度はDebFace-IDにおいて著しく低下しており（例：性別で73.36%、人種で61.79%）、有効な分離が確認された。
• LFWでは、DemoIDが98.97%の認証精度を達成し、BaseFace（99.38%）よりも公平性に優れており、精度面でも競争力がある。
• IJB-CにおいてFAR 0.1%の条件下で、DebFace-IDは89.5%のTARを達成し、BaseFace（92.9%）よりわずかに低いが、顔認証のクロスデモグラフィック誤認受容率が顕著に低減した。
• DebFace-IDからの顔再構成は、人種や年齢などの人口的特徴が低減している一方で、アイデンティティ特徴は保持されていることが確認され、分離の有効性が検証された。