TL;DR
- چکیده:.
- تخمین سن ظاهری ابزار ارزشمندی برای شخصیسازی کسبوکار است،.
- با این حال مدلهای فعلی اغلب سوگیریهای جمعیتی را نشان میدهند.
چه اتفاقی افتاد
چکیده:. تخمین سن ظاهری ابزار ارزشمندی برای شخصیسازی کسبوکار است،.
با این حال مدلهای فعلی اغلب سوگیریهای جمعیتی را نشان میدهند. ما کارهای قبلی روی روش DEX را با استفاده از تکنیکهای یادگیری توزیع مانند افت میانگین واریانس (MVL).
و تلفات میانگین باقیمانده تطبیقی (AMRL) مرور میکنیم و آنها را با دقت و انصاف ارزیابی میکنیم. با استفاده از IMDB-WIKI،.
APPA-REAL،. و FairFace،.
نشان میدهیم که در حالی که AMRL به دقت پیشرفتهای دست مییابد،. معاوضه بین دقت و برابری جمعیتی همچنان ادامه دارد.
علیرغم خوشهبندی سنی واضح در تعبیههای UMAP،. نقشههای برجسته ما نشاندهنده تمرکز ویژگیهای متناقض در میان جمعیتشناسی است که منجر به کاهش عملکرد قابلتوجه برای.
جمعیتهای آسیایی و آفریقایی آمریکایی میشود. ما استدلال میکنیم که پیشرفتهای فنی به تنهایی کافی نیستند.
تخمین سنی ظاهری دقیق و منصفانه نیاز به ادغام موارد موضعی دارد و مجموعه دادههای متنوع،. و رعایت دقیق پروتکلهای اعتبارسنجی عادلانه.
برای ارائه شفاهی در کنگره علوم محاسباتی فیلیپین 2026 پذیرفته شد یادگیری ماشین (cs. LG)؛ محاسبات عصبی و تکاملی (cs.
NE) استناد بهعنوان: (یا v1 [cs. LG] برای این نسخه) https:.
// شده توسط arXiv از طریق DataCite (در انتظار ثبت نام) تاریخچه ارسال از:. Abien Fred Agarap [مشاهده ایمیل] [v1] جمعه،.
3 آوریل 2026،. 06:.
47:. 30 UTC (4,.
955 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.