Twitter上的图像裁剪：公平性指标、其局限性以及representation、设计和用户能动性的重要性

DOI

Twitter使用机器学习裁剪图像，裁剪聚焦于预测最显著的部位。2020年秋季，用户对该自动裁剪系统偏袒浅肤色而非深肤色人群、以及偏袒裁剪女性身体而非头部表示担忧。为解决这些担忧，我们使用形式化的群体公平性指标进行了广泛分析。我们发现了裁剪中的系统性差异，并确定了影响因素，包括基于单一最显著点进行裁剪会因我们所谓的'argmax偏差'效应而放大差异。然而，我们证明，仅靠形式化公平性指标和定量分析不足以捕捉自动裁剪中代表性伤害的风险。我们建议移除基于显著性的裁剪，转而采用更好保留用户能动性的解决方案。为了开发一个充分解决代表性伤害担忧的新方案，我们的批判促进了定量与定性方法的结合，包括以人为中心的设计。