Twitter 用完整照片替换其有偏差的裁剪算法，将选择权交给用户

2018年，Twitter 开始使用显著性模型裁剪时间线照片：该软件基于人眼追踪数据训练，估计观看者首先关注的区域，并将裁剪居中，以保持时间线一致且密集。2020年10月，用户报告自动裁剪未公平对待所有人——它似乎偏向白人面孔而非黑人面孔，并且裁剪女性身体的方式不同于男性。Twitter 承诺重新分析模型的偏差。

Twitter 的 META 和内容理解团队进行了一项对照实验：比较不同种族和性别的人物的随机图片对，如果模型在人口统计上是中性的，每张图像被选为裁剪焦点的概率应为 50%。测量到的偏差是系统性的——与白人配对时，黑人个体的偏差为 4 个百分点；在男女配对中，女性偏差为 8 个百分点；在白人女性和黑人女性之间，白人女性偏差为 7 个百分点。针对男性凝视裁剪的测试未发现显著的物化现象。

研究人员得出结论，重新训练以实现均衡并不能修复伤害。即使一个完全均衡的模型仍然覆盖了人们选择如何展示自己的方式，而代表性伤害不是统计误差；论文指出，裁剪到单个最显著的点可能会放大差异。Twitter 的公开结论是，平台上的并非一切都适合使用算法，图像如何裁剪最好由人决定。

2021年3月，Twitter 开始在 iOS 和 Android 上以标准宽高比完整显示照片，而非通过显著性裁剪，并在收到积极反馈后，于5月19日向所有人推出该更改。编辑器获得了真正的预览，作者可以在发布前查看发布后的图像，公司将其分析作为论文公开发布，并附带复现代码，将整个过程视为公共问责。

公平性指标无法修复覆盖自我展示的裁剪——移除模型，让人们自己选

统计公平无法解决代表性伤害：即使一个同等中性的裁剪仍然决定了一个人的外观，因此模型本身（而非其参数）才是问题所在。

配对的对照图片协议将用户轶事转化为可测量的、可复现的数字，种族和性别差距被量化并与计算代码一起发布。

显示完整图片消除了整类裁剪错误，包括论文中提到的 argmax 偏差——即差异放大的单点规则，且没有留下需要重新审计的新模型。

编辑器预览让作者在发布时拥有控制权，因此修复恢复了自主性，而不是仅仅用一种裁剪规则替换另一种。

发布论文和代码使回应成为可审计的公开记录，这也是为什么公告被视为问责而非公关。

在重新训练决定人们外观的模型之前，先问输出是否是一个预测；如果是自我展示，则移除模型，将选择权交给个人。

到 2021年5月19日，完整图片显示已向所有 iOS 和 Android 用户推出，Twitter 表示此发布减少了对图像裁剪机器学习的依赖。分析论文（arXiv 2105.08667，2021年5月）被 CSCW 2021 接收，并于 2021年10月发表在 PACM HCI 上，复现代码位于 twitter-research image-crop-analysis 仓库中。Hacker News 讨论获得 197 分和 133 条评论；大多数读者认为从一开始就应该有手动裁剪工具，而一些人则为作者未设置裁剪时的面部感知自动裁剪辩护。