Fairness‑bewusstes Few‑Shot‑Learning für Audio‑Visuelle Stresserkennung

Ein neues Forschungsprojekt aus dem Bereich der künstlichen Intelligenz setzt einen wichtigen Schritt in Richtung gerechterer Gesundheitsversorgung. Das Team hat einen Meta‑Learning‑Ansatz namens FairM2S entwickelt, der speziell darauf ausgelegt ist, Stress anhand von Audio‑ und Video‑Signalen zu erkennen – und dabei geschlechtsspezifische Verzerrungen zu minimieren.

FairM2S integriert während des Meta‑Trainings und der anschließenden Anpassung Equalized‑Odds‑Constraints. Durch den Einsatz von adversarial gradient masking und fairness‑beschränkten Meta‑Updates wird die Modellleistung nicht nur hoch, sondern auch gleichberechtigt. In Tests gegen fünf führende Baselines erzielte FairM2S eine Genauigkeit von 78,1 % und senkte die Gleichberechtigung (Equal Opportunity) auf lediglich 0,06 – ein deutlicher Fortschritt gegenüber bisherigen Methoden.

Zur Förderung weiterer Forschung stellt das Team das SAVSD‑Datenset zur Verfügung. Es handelt sich um ein Smartphone‑basiertes Audio‑Video‑Korpus mit Geschlechtsannotationen, das reale, ressourcenarme Szenarien abbildet. Beide, das Modell und die Datenbank, werden öffentlich zugänglich gemacht, damit Entwickler und Wissenschaftler gleichermaßen von dieser fairen, skalierbaren Lösung profitieren können.