推特“头像裁剪”算法更爱“白幼瘦”！瑞士小哥用StyleGAN2识破算法癖好，登顶悬赏赛
如今，社交媒体当道。
相信不少人在首次注册社交媒体时，平台都会要你上传一张照片当做头像。
有人会选择喜欢的明星，也有人会用自己的真实照片。
但这都不是最关键的，可能你没有发现，在上传头像照片时，平台对某些照片存在不同程度的偏好。
比如，某些平台内置的算法会偏爱肤色较浅、纹理较光滑且没有戴眼镜的照片，或者是更年轻的面孔：
而这已经在推特得到了证实。
根据国外多家媒体报道，推特的照片裁剪算法存在较大的漏洞，算法在预览和聚焦不同照片中的“亮点”时，对肤色、胖瘦、性别和年龄有不同的优先级。
也就是说，算法会更偏好“肤色更浅、更苗条、更年轻”的面孔，而不是“肤色更深、脸型更宽、年纪更大”的面孔。
对此，有网友指出，如此看来，算法也称得上是某种极端主义者了。
用StyleGAN2拆解推特算法的偏好
这个研究结果来自瑞士联邦洛桑理工学院的研究生Bogdan Kulynych。
在推特赞助的“算法漏洞悬赏大赛”中，Kulynych发现，推特的照片裁剪算法对照片中的特征存在不同程度的偏好。
Kulynych使用StyleGAN2生成了大量逼真的面孔，他根据肤色、身材、年龄和女性化等标签对这些面孔进行了分类，然后将这些数据放入了推特的照片裁剪算法中。
Kulynych发现，推特的算法对肤色有着最为明显的偏好趋势，算法更喜欢那些“苗条、年轻、具有典型女性面部特征”的面孔。
其次便是年龄，该算法对灰头发和白头发的用户存在明显的歧视行为。紧接着的是图片中的文字，相较于阿拉伯数字，算法会更喜欢英语。
GitHub链接：
https://github.com/bogdan-kulynych/saliency_bias
Kulynych在总结中补充说：“当应用算法时，这些内部偏见本质上会转化为代表性不足的危害，从而剔除那些不符合算法对体重、年龄、肤色偏好的人。”
Kulynych在大赛中获得了第一名，推特称Kulynych的发现“展示了算法模型如何放大现实世界的偏见和社会对美的期望”。
推特不喜欢iPhone？漏洞得到官方承认
在更早的时候，相关漏洞就已经被指出。
去年，一位推特用户试图发布他在Zoom的面部识别中注意到的一个问题，即在通话中没有显示出一位黑人同事的脸，当他发帖到Twitter上时，他注意到推特同样更偏向于他的脸而不是黑人同事的脸。
这对卡通人物同样适用。
甚至，还有网友发现，与iPhone相比，推特的算法更倾向于显示微软已停产Windows手机。
当推特首次上线照片裁剪功能时，研究人员在博客文章中解释了他们如何从面部识别开始裁剪图像，但实际上，并非所有的图像都包含人脸。
此外，人脸检测器会经常漏掉人脸，也会在没有人脸的情况下错误地检测到人脸。如果没有发现人脸，视角会自动地被聚焦在图像中心，这可能会导致尴尬的裁剪图像。
随后，推特官方也进行了调查，他们发现：
在男性和女性之间，人口统计学上的平等偏向于女性的差异为8%；
在黑人和白人的比较中，白人和黑人的人口比例相差4%；
在黑人女性和白人女性的比较中，白人女性在人口平等方面的差距为7%；
在黑人和白人男性的比较中，白人男性在人口统计学上有2%的差异。
同时，推特还通过随机选择100张男性和女性呈现的图像来测试“男性凝视”，这些图像在图像中具有多个被算法识别为显着的区域，并观察模型如何选择裁剪图像。
他们发现，每组每100张图像，没有裁剪到头部位置的情况大约3张，在这种情况下，算法会裁剪图像的其他特征，例如运动衫上的字母。
5月，推特下线了图片裁剪功能，只允许用户完整地发布照片，或自己决定如何裁剪照片。
“我们的结论之一是，并不是推特上的所有东西都适合使用算法，在这种情况下，如何裁剪图片是一个最好由人做出的决定。”推特软件工程总监Rumman Chowdhury在一篇关于该团队发现的博文中写道。
Chowdhury表示：“当我们考虑模型中的偏见时，不仅仅是关于学术或实验，而是它与我们在社会中思考的方式有关。”
如何对待算法偏见？
近年来，随着人工智能的逐渐发展，算法偏见也开始得到了重视。
对于此，英国谢菲尔德大学计算机专家Noel Sharkey表示，应该在可能改变生活方式的所有领域中禁止使用算法。
Sharkey对一系列机器学习系统存在偏见的现象深表担忧，Sharkey表示：“现在有很多偏见发生，从工作面试到社会福利，再到决定谁应该保释谁应该入狱等等，很明显我们必须停止使用决策算法。我一直对监管非常重视，我认为它会扼杀创新。”
“但后来我意识到，有些创新应该被扼杀，或者至少要有所保留。因此应该暂停所有影响人们生活的算法，这些算法并没有在发挥实际用处，反而在加深人们的偏见。”
Sharkey曾与谷歌和微软等公司就偏见问题进行了交谈，“他们知道这是一个问题，过去几年他们也一直在努力寻找解决方案，但到目前为止还没有找到”。
“在实验室里，系统可以对白人男性的识别率达到98%，但女性的识别率会偏低，深色皮肤的人效果会更下一层楼。在后面两种情况下，我们都可以说，系统并不能准确识别人脸。”
归根结底，算法背后是人，算法偏见背后其实就是人的偏见，算法的选择也就是在大数据处理之后人的选择。在针对相关现象进行批评时，更应需要关注现实中的偏见，保持内省。
这对每个人来说，都极为重要。
转载请在文章开头和结尾显眼处标注：作者、出处和链接。不按规范转载侵权必究。
未经授权严禁转载，授权事宜请联系作者本人，侵权必究。
本文禁止转载，侵权必究。
授权事宜请至数英微信公众号(ID: digitaling) 后台授权，侵权必究。
评论
评论
推荐评论
暂无评论哦，快来评论一下吧！
全部评论（0条）