人脸识别的肤色性别偏见背后，是人类自己的偏见

图片来自“123RF”

皮尤研究中心的一项最新研究发现，Facebook 的新闻图片中，男性出现的频率是女性的两倍，且大部分的图片是关于男性的。

考虑到当下有 43% 的美国成年公民主要通过 Facebook 获取新闻资讯，皮尤研究中心使用机器视觉测试了 2018 年 4 月至 6 月期间 17 个全国性新闻媒体在 Facebook 上所发布新闻图片的性别比例情况。测试算法最终识别出了 53067 人，其中女性占 33%，男性占 67%，差距悬殊。但在现实生活中，美国人口的性别比例大致是均衡的。

那么，是谁在「扭曲」两性?

本期全媒派综合皮尤研究中心以及 MIT 媒体实验室科学家 Joy Buolamwini 的研究发现，走近人脸识别下两性的比例失衡现象，一起探究：为何有时候，算法眼中的你处在可男可女的模糊地带?进一步讲，性别之外还有哪些偏见?为了应对这种状况，我们可以做些什么?

人脸识别下的性别失衡

皮尤的这份报告指出，在 Facebook 上不同类型的新闻报道中，女性在图片中的「在场」情况始终低于男性。在与经济有关的帖子中，只有 9% 的图片为纯女性内容，与此形成鲜明对比的是，纯男性图像占到了 69%。女性在娱乐新闻图片中拥有更多展示机会，但总体上仍低于男性。

你也许会为女性身影的稀少而感到疑惑，这在一定程度上和更大的社会现实相关。比如，在关于职业足球队的新闻报道中，识别出的图像大多都是男性;在针对美国参众两院(女性占比为 25%)的报道中，识别出的女性面孔当然要比男性少得多。

抛开这些颗粒度更小的细节不谈，这份研究仍然揭示了一些值得警觉的现状：在 Facebook 新闻图像中，男性比女性更为突显;在两人或更多人的群像中，男性往往比女性多。同时，男性会占据更大的视觉空间。

研究人员还测量了图像中女性面部与男性面部的大小情况(目前的技术只能捕捉人脸的大小情况，忽略了头发、珠宝和头饰等因素的影响)。结果显示，男性面孔平均占到的图像面积更大，这种差异导致图像中男性平均面部尺寸比女性大出了 10%。在 Facebook 的图像中，这表现为男性人物能给读者带来更大的视觉冲击。

具体来看，在涉及经济相关的帖子中，女性面孔的平均尺寸比男性小 19%，但在娱乐相关的内容中，女性面孔的平均尺寸比男性大 7%。

像面部识别这样的机器视觉工具，正被越来越广泛地应用在执法、广告及其他领域，对性别的识别，是其基本功能之一。

机器学习的确可以极大地提高我们处理数据的效率，但与传统的计算机程序不同，机器学习遵循一系列严格的步骤，它们的决策方式在很大程度上隐而不显，并且高度依赖于用来训练自身的数据。这些特点可能导致，机器学习工具产生更难以被人理解和提前预测到的系统性偏差。

从这个角度看，皮尤研究中心用一个简化的实验，展示了用于训练算法的数据是如何将隐藏的偏差、意外的错误引入到了系统结果中。研究人员表示，随着算法正在人类社会中发挥越来越重要的决策影响力，了解它们的局限、偏差具有重要意义。

「偏见」带来了什么?

最近，包括图灵奖获得者 Yoshua Bengio 在内的 26 位 AI 领域顶尖研究者，在一篇公开博文中要求亚马逊立即停止向警方出售其人工智能服务 Amazon Rekognition。亚马逊云计算部门前首席科学家 Anima Anandkumar 等人也加入了这一联合呼吁。

此前，多伦多大学的研究人员 Deborah Raji 和麻省理工学院媒体实验室的研究人员 Joy Buolamwini 撰写了研究报告，指出亚马逊的 Rekognition 在检测图像中肤色较深的女性性别时，要比判断肤色较浅男性性别的错误率高得多。该研究成果也得到了学者们的支持，但亚马逊曾对两人撰写的这篇报告及研究方法提出过异议。

Joy Buolamwini 主导了一个名为 Gender Shades 的 AI 研究项目，在研究了各个领先科技公司的面部识别系统后发现，所有系统在识别男性脸孔上表现更佳，所有系统在识别浅色脸孔上的准确率更高。深色皮肤女性的平均识别错误率高达 35%，深色皮肤男性的为 12%，浅色皮肤女性为 7%，浅色皮肤男性的错误率不超过 1%。

面部识别系统的「偏见」可能带来什么?

「不管其正确性如何，面部识别技术都可能被滥用，」Joy 说道。准确或者不准确地使用面部识别技术对他人的身份、面孔、性别进行分析，都可能侵犯到他人的自由。比如，不准确的识别可能会使得无辜者蒙冤，受到执法人员的无理审查，这并不是假想的情况。英国非盈利组织「老大哥观察」(Big Brother Watch UK)曾发布一份报告，强调伦敦警察厅使用的面部识别技术有超过 90% 的性别识别错误率。去年夏天，英国媒体报道了这样一则新闻，一名年轻黑人男性因为面部识别技术失误，被误认为嫌犯而在众目睽睽之下遭到警方搜身检查。

一份被泄露的报告也显示，IBM 为执法机构提供了技术，能够根据头发颜色、肤色和面部特征等搜索视频中的人物。这一消息，引发了人们对警方将利用该技术关注特定种族的担忧。

为了减少搜索人脸所需的时间，执法部门正在大量使用性别分类。如果需匹配人脸的性别是已知的，通过简单的二分法，就可以大量减少需要处理的潜在匹配数。性别分类正广泛应用到警务活动中。

当这些有偏差的识别系统被广泛应用到社会生活中，就可能导致更糟糕的后果。

在 TED 演讲中，Joy 和大家分享了一个小故事：

在同样的光线条件下，面部识别系统只能检测到浅肤色的参与者;只有戴上白色面具，才能检测出深肤色的参与者。「在人工智能工具确定人脸的身份或者辨别表情信息前，最基本的前提是，检测出人脸。但是，面部识别系统在检测黑皮肤个体上，屡次失败。我只能安慰自己，算法不是种族主义者，是自己的脸太黑了。」Joy 说道。

偏差来自哪里?

如果对比开发者自己声明的准确率和研究者们的研究结论，会发现一个有趣的事情：公司发布的数据和独立第三方的外部准确率总是有所出入。那么，是什么导致了这一差异?

Joy 提醒我们关注基准数据集的偏差。「当我们讨论面部分析技术的准确性时，是通过一系列图像或者视频测试来完成的。这些图像数据构成了一个基准，但并不是所有的基准都是平等的。」

（编辑：核心网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!