Core Concepts
顔認証システムの人種バイアスを軽減するために、合成的な人種変換手法を用いて多様なデータセットを作成する。
Abstract
本研究では、顔認証システムにおける人種バイアスの問題に取り組むため、合成的な人種変換手法を提案している。まず、アジア人、黒人、インド人の3つの人種を均等に表現したETAT(Ethnicity Alteration Training)データセットを構築した。次に、CycleGAN、StarGAN、FGANといった画像変換モデルを用いて、ある人物の顔画像を別の人種に変換する手法を検討した。
変換された画像の肌色を表す Individual Typology Angle (ITA) の分析から、StarGANとFGANによる変換では実際の人種の肌色特性を良好に再現できることが示された。また、変換画像に対するFace Image Quality Assessment (FIQA)と顔認証システム (FRS) の性能評価から、変換画像が実データと同等の品質と認証精度を持つことが確認された。
これらの結果は、合成的な人種変換手法が顔認証システムの公平性と包摂性を高めるために有効であることを示唆している。今後の課題としては、より高度な人種変換モデルの開発や、多様な肌色を表現したデータセットの構築などが考えられる。
Stats
顔認証システムの人種バイアスを軽減するために、合成的な人種変換手法を用いて多様なデータセットを作成する。
Quotes
"Numerous studies have shown that existing Face Recognition Systems (FRS), including commercial ones, often exhibit biases toward certain ethnicities due to under-represented data."
"We then make use of existing Generative Adversarial Network-based (GAN) image-to-image translation and manifold learning models to alter the ethnicity from one to another."
"Our findings pave the way for future research works in (i) developing both specific ethnicity and general (any to any) ethnicity alteration models, (ii) expanding such approaches to create databases with diverse skin tones, (iii) creating datasets representing various ethnicities which further can help in mitigating bias while addressing privacy concerns."