SchlüsselarbeitOriginalarbeiterreichbar
Gender Shades: Intersectional Accuracy Disparities in Commercial Gender Classification
proceedings.mlr.press (externe Seite)
Joy Buolamwini und Timnit Gebru messen 2018 drei im Handel erhältliche Systeme zur Geschlechtsbestimmung aus Gesichtsbildern und finden Fehlerquoten, die je nach Gruppe um mehr als das Vierzigfache auseinandergehen. Die Arbeit misst zuerst die Datensätze selbst und legt einen eigenen an, der nach Hautton und Geschlecht ausgeglichen ist. Die Zahlen sind festgeschrieben und veralten deshalb nicht wie eine laufende Auswertung.
geprüft 24.09.2026
Worauf sich diese Seite beruft, wörtlich, abgerufen am 05.09.2026:
We find that these datasets are overwhelmingly composed of lighter-skinned subjects (79.6% for IJB-A and 86.2% for Adience)
bestätigt 24.09.2026We evaluate 3 commercial gender classification systems using our dataset and show that darker-skinned females are the most misclassified group (with error rates of up to 34.7%).
bestätigt 24.09.2026The maximum error rate for lighter-skinned males is 0.8%.
bestätigt 24.09.2026