Hintergrund/Motivation:
Gesichtbasierte Altersschätzung ist in vielen Anwendungen zentral, wie z.B. in der Kriminalitätsbekämpfung, Identitätsverifizierung, Jugendschutz und auch im medizinischen Bereich. Systeme zur Altersschätzung zeigen häufig unterschiedliche Performance auf Subgruppen (z.B. bzgl. Alter, Geschlecht, ethnische Zugehörigkeit). Gründe sind auf der einen Seite die Verfügbarkeit bzw. Ausgewogenheit der Trainingsdaten und auf der anderen Seite klassische Trainingsverfahren, die globale Metriken optimieren und Probleme in gewissen Subgruppen ignorieren.
Techniken wie Oversampling oder probabilistisches Sampling versuchen durch eine statistische Analyse im Vorhinein eine Balanciertheit der Trainingsdaten zu erzeugen mit der Hoffnung, dass dies eine gleichmäßi...