[論文レビュー] Racial Faces in-the-Wild: Reducing Racial Bias by Deep Unsupervised Domain Adaptation.

Mei Wang, Weihong Deng+4 more|arXiv (Cornell University)|Dec 1, 2018

Face recognition and analysis参考文献 30被引用数 24

ひとこと要約

本稿では、Racial Faces in-the-Wild (RFW) データセットを導入し、新たな相互情報損失を用いてグローバルなドメイン分布の整合化と判別的なクラスターレベルの表現を向上させることで、顔認識における人種的バイアスを低減する深層非教師ありドメイン適応ネットワークであるIMANを提案する。実験の結果、IMANは人種やデータセットを問わず公平性と一般化性能を顕著に向上させる。

ABSTRACT

Racial bias is an important issue in biometric, but has not been thoroughly studied in deep face recognition. In this paper, we first contribute a dedicated dataset called Racial Faces in-the-Wild (RFW) database, on which we firmly validated the racial bias of four commercial APIs and four state-of-the-art (SOTA) algorithms. Then, we further present the solution using deep unsupervised domain adaptation and propose a deep information maximization adaptation network (IMAN) to alleviate this bias by using Caucasian as source domain and other races as target domains. This unsupervised method simultaneously aligns global distribution to decrease race gap at domain-level, and learns the discriminative target representations at cluster level. A novel mutual information loss is proposed to further enhance the discriminative ability of network output without label information. Extensive experiments on RFW, GBU, and IJB-A databases show that IMAN successfully learns features that generalize well across different races and across different databases.

研究の動機と目的

• 商用顔認識APIおよび最先端のアルゴリズムにおける人種的バイアスを調査・検証すること。
• 標的ドメインのラベル付きデータに依存せずに、深層顔認識における人種的バイアスを低減するソリューションを開発すること。
• ドメイン分布の整合化と非教師ありで判別的な表現を学習することにより、人種間の一般化性能を向上させること。
• ラベルなしで特徴の判別性を向上させるために、新たな相互情報損失を提案すること。

提案手法

• 顔認識における人種的バイアスを多様な人口集団で評価できるよう、Racial Faces in-the-Wild (RFW) データセットを提案する。
• 教師なしドメイン適応フレームワークにおいて、白人顔をソースドメインとし、他の人種をターゲットドメインとする。
• グローバルなドメイン分布の整合化と判別的なクラスターレベルの表現の学習に、深層情報最大化適応ネットワーク (IMAN) を採用する。
• 特徴とアイデンティティラベルの間の情報量を最大化する新たな相互情報損失を導入し、教師なしで判別性を向上させる。
• ソースドメインのラベルとターゲットドメインのラベルなしデータのみを用いて、ネットワークをエンドツーエンドで訓練する。
• ドメイン不変特徴学習を活用し、人種ごとの性能差を低減する。

実験結果

リサーチクエスチョン

• RQ1 商用顔認識APIおよびSOTAアルゴリズムは、実世界の状況においてどれほど人種的バイアスを示しているのか？
• RQ2 ラベルなしのターゲットデータを用いずに、教師なしドメイン適応が顔認識における人種的バイアスを効果的に低減できるか？
• RQ3 ドメインレベルの分布整合化とクラスターレベルの表現学習が、どのように公平性と一般化性能を同時に向上させるのか？
• RQ4 ラベルなしの状況において、相互情報に基づく損失が特徴の判別性に与える影響は何か？

主な発見

• RFWデータセットは、4つの商用APIおよび4つのSOTA顔認識モデルにおいて顕著な人種的バイアスを明らかにし、肌が薄い人種に有利な性能差が存在する。
• IMANは、RFW、GBU、IJB-Aの各データセットで最先端の性能を達成し、人種を問わず公平性と一般化性能が向上していることを示した。
• 提案された相互情報損失は、特徴の判別性を顕著に向上させ、ゼロショットの人種間顔認識性能を向上させた。
• IMANは、グローバルなドメイン分布の整合化とクラスターレベルでの頑健で判別的な表現の学習により、顔認識における人種差を低減した。
• 広範な実験から、IMANが異なるデータセットにわたって良好に一般化されることを確認した。これは、強力なドメイン適応能力を示している。
• IMANの非教師あり性により、ターゲット人種のラベル付きデータを必要とせず、効果的なバイアス低減が可能であることが分かった。