
-
生物通官微
陪你抓住生命科技
跳动的脉搏
预训练深度面部表征质量与人口统计公平性的统一评估框架
《Scientific Reports》:Statistically grounded evaluation of demographic bias in deep facial representations using FairFace and UTKFace
【字体: 大 中 小 】 时间:2026年09月21日 来源:Scientific Reports 4.9
编辑推荐:
摘要深度面部表征学习在计算机视觉应用中已取得显著性能;然而,较高的总体准确率并不必然意味着在不同人口统计群体中的性能均衡。本研究提出了一种统一的框架,用于评估预训练深度面部表征的质量与人口统计公平性。研究分别使用在FairFace和UTKFace数据集上的ImageNet预训
深度面部表征学习在计算机视觉应用中已取得显著性能;然而,较高的总体准确率并不必然意味着在不同人口统计群体中的性能均衡。本研究提出了一种统一的框架,用于评估预训练深度面部表征的质量与人口统计公平性。研究分别使用在FairFace和UTKFace数据集上的ImageNet预训练权重,对ResNet50、MobileNetV3和Data-efficient Image Transformer(DeiT)进行了评估,这两个数据集分别代表了均衡和不受约束的人口统计设置。采用最近邻(1-NN)检索来衡量表征空间的内在判别能力,并通过逻辑探针分类来评估人口统计信息的线性可分性。公平性评估通过总体准确率、子群体性能、种族与性别的交叉分析、公平性差距、变异系数以及统计显著性检验进行。在两个数据集上,逻辑探针分类均一致优于1-NN检索,表明预训练的面部表征中编码了人口统计信息,且这些信息可以被简单的线性分类器有效分离。ResNet50取得了最高的总体分类性能,而MobileNetV3在多个评估设置中表现出更一致的子群体性能。交叉分析揭示了尽管总体准确率有所提升,但持续存在的人口统计差异仍然显著,这突显了在总体指标之外进行公平性评估的重要性。所提出的框架为联合评估深度面部表征学习中的表征质量、人口统计公平性和统计显著性提供了一种可复现的方法论。