データ複雑性の代理指標としての顔密度：インスタンス数の難しさを定量化する

概要: 機械学習の進歩は、歴史的にモデル中心の革新を優先してきましたが、実際に到達可能な性能はしばしばデータ自体が内在的にもつ複雑さによって上限が定められます。本研究では、インスタンス密度（顔の枚数によって計測）により表される、データ複雑さへの主要な寄与を分離して定量化します。「混雑したシーンは難しい」という単なる観察ではなく、階級（クラス）の不均衡を厳密に制御することで、密度それ自体に起因する正確な劣化を測定します。
WIDER FACE および Open Images のデータセットに対する制御実験では、完全にバランスされたサンプリングのもとで、各画像に含まれる顔の枚数を厳密に 1 から 18 に制限します。その結果、顔の枚数が増えるにつれてモデル性能が単調に低下することが明らかになりました。この傾向は、分類、回帰、検出というパラダイムのいずれにおいても成り立ちます。さらに、モデルが密度範囲全体に完全にさらされている場合であっても同様です。加えて、低密度の領域で学習したモデルは高密度へ汎化できず、体系的な過小カウントのバイアスを示すことを示します。エラーレートは最大で 4.6 倍まで増加し、これらは密度がドメインシフトとして作用していることを示唆します。
これらの知見は、インスタンス密度がデータの難しさの内在的で定量可能な次元であることを確立し、カリキュラム学習や密度層別の評価における具体的な介入を動機づけます。