Distributionally Generative Augmentation for Fair Facial Attribute Classification

面部属性分类（FAC）在广泛应用中具有重要的前景。然而，传统方法训练的FAC模型可能存在不公平性，因为其在不同的数据子群体中表现出准确性的不一致性。这种不公平性主要归因于数据中的偏差，其中一些虚假属性（例如男性）与目标属性（例如微笑）具有统计相关性。大多数现有的公平感知方法依赖于虚假属性的标签，而这些标签在实践中可能无法获得。本文提出了一种新颖的、基于生成的两阶段框架，用于在没有额外注释的情况下训练一个公平的FAC模型。首先，我们基于生成模型识别潜在的虚假属性。值得注意的是，它通过明确显示图像空间中的虚假属性来增强可解释性。随后，对于每个图像，我们首先使用从均匀分布中采样的随机程度编辑虚假属性，同时保持目标属性不变。然后，我们通过促进模型对这些增强的不变性来训练一个公平的FAC模型。在三个常见数据集上进行的广泛实验表明，我们的方法在促进FAC的公平性的同时不会损害准确性。代码在https://github.com/heqianpei/DiGA中。

解决问题：如何在不需要额外注释的情况下，训练公平的面部属性分类（FAC）模型？

关键思路：提出了一种基于生成模型的两阶段框架，通过对潜在的不公平属性进行随机编辑来训练公平的FAC模型，同时保持目标属性不变。

亮点：该方法可以提高FAC的公平性，而不会牺牲准确性，并且在三个常见数据集上进行了广泛的实验，证明了其有效性。研究者还开源了代码。

相关研究：在这个领域中，还有一些相关的研究，如《Learning Fair Face Recognition Embeddings》、《FairFace: Face Attribute Dataset for Balanced Race, Gender, and Age》等。