Linking convolutional kernel size to generalization bias in face analysis CNNs
卷积核大小与人脸分析 CNN 泛化偏差的联系AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确以超参数干预实验测量因果效应，因果推断是其直接方法依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
卷积核大小与人脸分析 CNN 泛化偏差的联系
- 研究问题
- 在人脸分析神经网络中，卷积核大小如何影响学习特征的频率内容，并改变不同种族或性别群体的分布外分类表现？
- 方法与思路
- 作者提出实验性因果框架，通过干预网络超参数训练多个版本，再施加分布外图像扰动，测量架构选择对群体性能偏差的影响。
- 材料陈述的贡献
- 摘要称，即使训练数据平衡，仅改变一层卷积核大小也会显著改变不同群体的特征频率内容，并造成泛化表现的群体差异。
- 阅读关注点
- 应核对架构干预是否伴随其他模型变化、训练随机性如何处理、图像扰动与群体偏差如何定义，以及因果比较的实验控制。
- 阅读边界
- 所给版本为 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明实验控制细节，结论不能推广至所有网络或偏差类型。
原文摘要
Training dataset biases are by far the most scrutinized factors when explaining algorithmic biases of neural networks. In contrast, hyperparameters related to the neural network architecture have largely been ignored even though different network parameterizations are known to induce different implicit biases over learned features. For example, convolutional kernel size is known to affect the frequency content of features learned in CNNs. In this work, we present a causal framework for linking an architectural hyperparameter to out-of-distribution algorithmic bias. Our framework is experimental, in that we train several versions of a network with an intervention to a specific hyperparameter, and measure the resulting causal effect of this choice on performance bias when a particular out-of-distribution image perturbation is applied. In our experiments, we focused on measuring the causal relationship between convolutional kernel size and face analysis classification bias across different subpopulations (race/gender), with respect to high-frequency image details. We show that modifying kernel size, even in one layer of a CNN, changes the frequency content of learned features significantly across data subgroups leading to biased generalization performance even in the presence of a balanced dataset.