UTKFace
PulseAugur coverage of UTKFace — every cluster mentioning UTKFace across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新框架审计AI面部分析中的隐藏公平性风险
研究人员开发了一个名为CIFA（上下文-交叉公平性审计）的新框架，用于识别面部分析系统中隐藏的漏洞。该框架超越了传统的群体公平性指标，还考虑了诸如光照和图像质量等上下文因素，以及这些因素如何与群体属性相互作用。使用ResNet-50和ViT-B/16模型在FairFace和CelebA等数据集上进行的评估显示，被总体准确性和仅基于群体因素的评估所掩盖的性能差异显著。研究还发现，现有的缓解策略并不能持续消除这些隐藏的子群体风险。
-
新的RG-TTA框架选择性地消除视觉语言模型的偏见
研究人员开发了一个名为Reward-Gated Test-Time Adaptation (RG-TTA)的新框架，以解决视觉语言模型（VLMs）中的偏见问题。与之前应用统一去偏的方法不同，RG-TTA使用强化学习根据单个输入查询的敏感性来选择性地调整偏见。这种方法旨在在不牺牲对不敏感查询的效用的情况下，提高对敏感查询的公平性。在FairFace和UTKFace等基准测试上的实验表明，偏见显著减少，并且零样本效用得到提高。
-
ProtoFair 通过使用伪反事实对引入公平的自监督学习
研究人员推出了一种名为 ProtoFair 的新方法，用于增强自监督学习模型的公平性。该方法可与现有的自监督学习框架集成，而无需修改其核心目标。ProtoFair 利用无监督原型聚类来创建伪反事实对，使模型能够学习对种族或性别等敏感属性不变的表示。在 CelebA 和 UTKFace 等基准数据集上的实验表明，ProtoFair 在提高公平性的同时保留了模型的准确性。