普林斯頓大學(xué)的研究人員開發(fā)了一種工具，用于標記用于訓(xùn)練人工智能（AI）系統(tǒng)的圖像集中的潛在偏差。這項工作是糾正和防止AI系統(tǒng)中普遍存在的偏見的一項較大努力的一部分，該偏見影響了從信貸服務(wù)到法庭判決程序的所有內(nèi)容。

盡管AI系統(tǒng)中偏見的來源多種多樣，但一個主要的原因是從在線資源收集的大量圖像中包含的定型圖像，工程師使用這些圖像來開發(fā)計算機視覺，這是AI的一個分支，允許計算機識別人，物體和動作。由于計算機視覺的基礎(chǔ)是建立在這些數(shù)據(jù)集上的，因此反映社會定型觀念和偏見的圖像會無意間影響計算機視覺模型。

為了從源頭上解決這個問題，普林斯頓視覺AI實驗室的研究人員開發(fā)了一種開源工具，該工具可以自動發(fā)現(xiàn)視覺數(shù)據(jù)集中的潛在偏差。該工具允許數(shù)據(jù)集創(chuàng)建者和用戶在使用圖像收集來訓(xùn)練計算機視覺模型之前糾正代表性不足或刻板印象的問題。在相關(guān)工作中，Visual AI Lab的成員發(fā)布了現(xiàn)有方法的比較，這些方法可防止計算機視覺模型本身出現(xiàn)偏差，并提出了一種新的，更有效的緩解偏差的方法。

第一個工具稱為REVISE（揭示視覺偏見），它使用統(tǒng)計方法來檢查數(shù)據(jù)集的三個方面：基于對象，基于性別和基于地理位置的潛在偏見或代表性不足。REVISE是一種全自動工具，建立在早期工作的基礎(chǔ)上，涉及以需要用戶更多指導(dǎo)的方式來過濾和平衡數(shù)據(jù)集的圖像。該研究報告于8月24日在虛擬的歐洲計算機視覺會議上發(fā)表。

REVISE使用現(xiàn)有的圖像注釋和度量來評估數(shù)據(jù)集的內(nèi)容，例如對象計數(shù)，對象和人的共現(xiàn)以及圖像的原產(chǎn)國。在這些測量中，該工具可顯示不同于中值分布的圖案。

例如，在一個測試的數(shù)據(jù)集中，REVISE顯示，包括人和花朵在內(nèi)的圖像在雄性和雌性之間是不同的：雄性更經(jīng)常出現(xiàn)在儀式或會議上，并帶有花朵，而雌性則傾向于出現(xiàn)在舞臺上或繪畫中。（分析僅限于反映圖像中出現(xiàn)的人的二元性別的注釋。）

一旦該工具揭示了這些差異，“那么，這就是一個完全無害的事實，或者是否正在發(fā)生更深層的事情，而這很難自動化，”計算機科學(xué)與專業(yè)副教授奧爾加·魯薩科夫斯基（Olga Russakovsky）說。視覺AI實驗室的調(diào)查員。Russakovsky與研究生Angelina Wang和計算機科學(xué)副教授Arvind Narayanan共同撰寫了該論文。

例如，REVISE顯示，包括飛機，床和比薩餅在內(nèi)的物體在包含它們的圖像中比在其中一個數(shù)據(jù)集中的典型物體更大。這樣的問題可能不會永久保留社會定型觀念，但是對于訓(xùn)練計算機視覺模型可能會出現(xiàn)問題。作為補救措施，研究人員建議收集飛機圖像，其中還包括山峰，沙漠或天空標簽。

但是，計算機視覺數(shù)據(jù)集中全球區(qū)域的代表性不足，可能會導(dǎo)致AI算法出現(xiàn)偏差。與以前的分析一致，研究人員發(fā)現(xiàn)，對于圖像的來源國（按人口標準化），美國和歐洲國家在數(shù)據(jù)集中的代表過多。除此之外，REVISE還顯示，對于來自世界其他地區(qū)的圖像，圖像標題通常不是使用本地語言，這表明其中許多圖像是被游客捕獲的，并可能導(dǎo)致某個國家/地區(qū)的視角偏斜。

Russakovsky說，專注于對象檢測的研究人員可能會忽略計算機視覺的公平性問題。她說：“但是，這種地理分析表明，物體識別仍然可能存在很大的偏見和排他性，并且會不平等地影響不同的地區(qū)和人民?！?/p>

共同作者，計算機科學(xué)研究生安吉麗娜·王說：“直到最近，才對計算機科學(xué)中的數(shù)據(jù)集收集實踐進行徹底的審查?！彼f，圖片大多是“從互聯(lián)網(wǎng)上抓取的，人們并不總是意識到他們的圖片在［數(shù)據(jù)集中］被使用。我們應(yīng)該從更多的人群中收集圖片，但是當我們這樣做時，我們應(yīng)該小心我們以尊重的方式獲得圖像?！?/p>

“工具和基準測試是重要的一步……它們使我們能夠在開發(fā)初期就抓住這些偏見，并重新考慮我們的問題設(shè)置和假設(shè)以及數(shù)據(jù)收集實踐，”計算機科學(xué)助理教授Vicente Ordonez-Roman說。未參與研究的弗吉尼亞大學(xué)?！霸谟嬎銠C視覺中，有關(guān)刻板印象的表示和傳播存在一些特定的挑戰(zhàn)。諸如普林斯頓視覺AI實驗室所做的工作有助于闡明這些問題并引起計算機視覺界的注意，并提供了緩解這些問題的策略。 ”

視覺AI實驗室的一項相關(guān)研究對防止計算機視覺模型學(xué)習(xí)可能反映偏差的虛假關(guān)聯(lián)進行了研究，這些虛假關(guān)聯(lián)可能會反映偏差，例如過度預(yù)測活動（例如以女性形象烹飪或以男性形象進行計算機編程）。視覺提示（例如，斑馬是黑白的，或者籃球運動員經(jīng)常穿著球衣）有助于提高模型的準確性，因此在開發(fā)有效模型的同時避免出現(xiàn)問題性關(guān)聯(lián)是該領(lǐng)域的重大挑戰(zhàn)。

在6月舉行的虛擬計算機視覺和模式識別國際國際會議上提出的研究中，電氣工程專業(yè)的研究生Zeyu Wang及其同事比較了四種緩解計算機視覺模型偏差的技術(shù)。

他們發(fā)現(xiàn)一種稱為對抗訓(xùn)練或“盲目的公平”的流行技術(shù)損害了圖像識別模型的整體性能。在對抗訓(xùn)練中，模型無法考慮有關(guān)受保護變量的信息-在研究中，研究人員使用性別作為測試案例。在團隊的分析中，另一種方法稱為域獨立培訓(xùn)，即“通過意識進行公平”，效果更好。

魯薩科夫斯基說：“從本質(zhì)上講，這意味著我們將針對不同性別進行不同的活動頻率，是的，這一預(yù)測將取決于性別。因此，我們只是接受這一觀點?！?/p>

本文中概述的技術(shù)通過與其他視覺提示分開考慮受保護的屬性來減輕潛在的偏見。

王澤宇說：“我們?nèi)绾握嬲鉀Q偏差問題是一個更深層次的問題，因為我們當然可以看到它存在于數(shù)據(jù)本身中?！彼f：“但是在現(xiàn)實世界中，人們?nèi)匀豢梢栽谝庾R到我們的偏見的同時做出良好的判斷”，并且可以設(shè)置計算機視覺模型以類似的方式工作。

責(zé)任編輯：lq