Fighting Selection Bias in Statistical Learning: Application to Visual Recognition from Biased Image Databases

要約

実際には、特にディープ ニューラル ネットワークをトレーニングする場合、視覚認識ルールは多くの場合、さまざまな情報源に基づいて学習されます。
一方、さまざまな人口セグメントでパフォーマンスが不均一な顔認識システムの最近の展開は、データセットの単純な集約によって引き起こされる代表性の問題を浮き彫りにしました。
このホワイト ペーパーでは、バイアス モデルを使用してこれらの問題を解決する方法を示します。
動作中のバイアスメカニズムの (おおよその) 知識に基づいて、私たちのアプローチは、ターゲット分布のバイアスがほぼ解消された推定量を形成するために、観測値を再重み付けすることから成ります。
重要な条件の 1 つは、偏った分布のサポートが部分的に重なり、ターゲット分布のサポートをカバーする必要があることです。
実際にこの要件を満たすために、画像データベース全体で共有される低次元の画像表現を使用することを提案します。
最後に、私たちのアプローチの関連性を強調する数値実験を提供します。

要約(オリジナル)

In practice, and especially when training deep neural networks, visual recognition rules are often learned based on various sources of information. On the other hand, the recent deployment of facial recognition systems with uneven performances on different population segments has highlighted the representativeness issues induced by a naive aggregation of the datasets. In this paper, we show how biasing models can remedy these problems. Based on the (approximate) knowledge of the biasing mechanisms at work, our approach consists in reweighting the observations, so as to form a nearly debiased estimator of the target distribution. One key condition is that the supports of the biased distributions must partly overlap, and cover the support of the target distribution. In order to meet this requirement in practice, we propose to use a low dimensional image representation, shared across the image databases. Finally, we provide numerical experiments highlighting the relevance of our approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google