[论文解读] An adversarial learning algorithm for mitigating gender bias in face recognition.

Prithviraj Dhar, Joshua Gleason+3 more|arXiv (Cornell University)|Jun 14, 2020

Face recognition and analysis参考文献 38被引用 7

一句话总结

本文提出对抗性性别去偏方法（Adversarial Gender De-biasing, AGD），一种基于损失的新方法，通过最小化深层特征中隐式编码的性别信息，减少深度人脸识别中的性别偏差。通过引入去偏损失 $L_{br}$，AGD 在两个最先进神经网络上显著提升了女性人脸的识别准确率，同时保持了强大的身份识别性能。

ABSTRACT

State-of-the-art face recognition networks implicitly encode gender information while being trained for identity classification. Gender is often viewed as an important face attribute to recognize humans. But, the expression of gender information in deep facial features appears to contribute to gender bias in face recognition, i.e. we find a significant difference in the recognition accuracy of DCNNs on male and female faces. We hypothesize that reducing implicitly encoded gender information will help reduce this gender bias. Therefore, we present a novel approach called `Adversarial Gender De-biasing (AGD)' to reduce the strength of gender information in face recognition features. We accomplish this by introducing a bias reducing classification loss $L_{br}$. We show that AGD significantly reduces bias, while achieving reasonable recognition performance. The results of our approach are presented on two state-of-the-art networks.

研究动机与目标

• 解决深度人脸识别系统中的性别偏差问题，即女性人脸的识别准确率显著低于男性人脸。
• 探究减少深层人脸特征中隐式编码的性别信息是否能够缓解此类偏差。
• 开发一种训练时方法，在不损害身份识别性能的前提下提升公平性。
• 在最先进的人脸识别架构上评估所提方法的有效性。

提出的方法

• 引入一种去偏分类损失 $L_{br}$，促使网络最小化深层人脸特征中的性别信息。
• 使用组合损失训练人脸识别网络：标准身份分类损失与所提出的 $L_{br}$ 相结合，以实现特征去偏。
• 采用对抗训练范式，使网络学习生成具有身份感知性但对性别预测性较低的特征。
• 在两个最先进的人脸识别网络上应用该方法进行训练，以评估其泛化能力与有效性。
• 确保去偏损失独立于身份分类头运行，支持模块化集成。
• 通过调节 $L_{br}$ 的超参数，优化身份准确率与性别偏差减少之间的权衡。

实验结果

研究问题

• RQ1 在深层人脸特征中减少隐式编码的性别信息，在多大程度上能降低人脸识别中的性别偏差？
• RQ2 一种基于训练时损失的方法能否有效去偏深层人脸嵌入，同时不降低身份识别性能？
• RQ3 所提出的 AGD 方法在不同最先进的人脸识别架构上表现如何？
• RQ4 性别信息的减少是否导致男性与女性人脸识别准确率更加均衡？

主要发现

• 所提出的 AGD 方法显著降低了深度人脸识别中的性别偏差，提升了女性人脸的识别准确率。
• 男性人脸的识别性能保持较高水平，表明去偏处理未损害整体准确率。
• 该方法在两个最先进网络上实现了显著的性别偏差降低，同时保持了强大的身份分类性能。
• 引入 $L_{br}$ 损失有效最小化了面部嵌入中性别信息的强度，且无需重训练或架构修改。
• 结果表明，通过训练期间显式设计损失，深度人脸识别中的性别偏差是可减少的。
• 该方法在不同评估设置下均表现出公平性指标的一致性提升。