Metod za smanjenje demografske pristrasnosti u modelima procene starosti putem optimizovane strukture skupova podataka

Pristrasnost u sistemima za prepoznavanje lica često dovodi do nejednakih performansi među demografskim grupama. Ova studija se bavi ovim problemom istraživanjem kako sastav skupa podataka utiče na performanse i pristrasnost modela za procenu starosti u različitim etničkim grupama. Prilagodili smo unapred trenirane konvolucione neuronske mreže (CNN), kao što je VGG19, na raznovrsnim skupovima podataka UTKFace (23.705 uzoraka: 10.078 belih, 4.526 crnih, 3.434 azijskih) i APPA-REAL (7.591 uzorak: 6.686 belih, 231 crnih, 674 azijskih). Naš pristup je uključivao prilagođavanje sastava skupova podataka prekomernim uzorkovanjem manjinskih grupa ili smanjenjem uzoraka iz prekomerno zastupljenih grupa radi ublažavanja pristrasnosti. Sproveli smo eksperimente kako bismo identifikovali optimalan sastav skupa podataka koji minimizira razlike u performansama među etničkim grupama. Primarna metrika performansi bila je srednja apsolutna greška (MAE), koja meri prosečan iznos grešaka u predikciji. Takođe smo analizirali standardnu devijaciju MAE među etničkim grupama kako bismo procenili konzistentnost i pravičnost performansi. Naši rezultati pokazuju da jednostavno prekomerno uzorkovanje manjinskih grupa ne osigurava pravične performanse. Umesto toga, sistematska prilagođavanja, uključujući smanjenje uzoraka iz prekomerno zastupljenih grupa, dovela su do uravnoteženijih performansi i niže standardne devijacije MAE među etničkim grupama. Ovi nalazi ističu značaj prilagođenih podešavanja skupa podataka i sugerišu istraživanje naprednih metoda obrade podataka i algoritamskih prilagođavanja kako bi se poboljšala pravičnost i tačnost u tehnologijama za prepoznavanje lica.