讲者介绍

王玫：北京邮电大学在读博士，主要研究方向AI公平性和迁移学习。

报告题目：自然环境下的多种族人脸：利用信息最大化自适应网络去减少种族偏差

报告摘要：种族偏见是生物特征识别中的一个重要问题，但在人脸识别领域还没有得到深入的研究。在这篇论文中，我们首先提供了一个名为“自然环境下的多种族人脸”（RFW）的数据库。利用该数据库，我们验证了四个商业API和四个当前最先进算法都存在种族偏见。然后，我们进一步提出利用深度无监督域自适应算法来解决种族偏差，并提出了一个深度信息最大化自适应网络（IMAN）。在算法中，我们以白种人作为源域，其他种族作为目标域来缓解这种偏差。这种无监督的方法一方面在域层面减小源域和目标域的全局分布，另一方面在类别层面学习有区分性的目标域特征。此外，我们还提出了一种新的互信息损失，在没有标签的情况下，进一步提高了网络输出的鉴别性。通过在RFW、GBU和IJB-A数据库上进行的大量实验表明，IMAN学习到的特征在不同种族和不同数据库上有很好的泛化性。

Spotlight：

构建并发布了一个新的RFW测试集，用于研究人脸识别中的种族偏差；
通过实验验证了现有的人脸识别算法中都普遍存在种族偏差；
提出了一个新的信息最大化自适应网络，利用无监督域自适应来缓解种族偏差。

论文推荐

1. Predicting Positive and Negative Links in Online Social Networks

推荐理由：这篇文章在非深度学习时代研究了人口统计学对人脸识别算法性能的影响。通过测试六种不同的人脸识别算法（三种商用，两种非训练，一种可训练）对不同种族、性别、年龄的人群的识别能力，较早的得出了人脸识别中的偏差来源于数据和算法两个方面。

2. Uncovering and Mitigating Algorithmic Bias through Learned Latent Structure

推荐理由：这篇文章主要研究了在人脸检测中的性别偏差和种族偏差问题。该文章将原始的学习任务与变分自编码器相融合，学习数据集中的潜在结构，然后在训练时自适应地使用所学习的潜在分布来重新加权某些数据点的重要性，通过这种方式来缓解算法偏差。

3. Deep Visual Domain Adaptation A Survey

推荐理由：这是一篇深度域自适应的综述，总结了近年来深度域自适应的各类方法，并将其分为基于差异的方法、基于对抗的方法和基于重构的方法。该文章还总结了深度域自适应在图像检测、分割、人脸识别等领域的应用。

回放视频+推荐论文+讲者PPT 登录后获取查看地址