生物識別研究人員的突出三重奏提出了一種方法，以消除不同人口統計學之間的面部識別表現的差異或偏見。
密歇根州立大學的Sixue Gong和Anil K. Jain共同撰寫的論文共同消除偏見的面部識別和人口屬性估計，'是在2020年歐洲計算機視覺會議（ECCV）上介紹的。
研究人員提出了一個新穎的偏見對抗網絡（DEBFACE），該網絡“學會了為無偏見的面部識別和人口統計學估計提取分離的特徵表示。”
本文中提出的網絡由一個身份分類器和三個人口分類器組成，一個分類器分別用於性別，年齡和種族。特徵因素之間的相關性通過對抗性學習來最大程度地減少與偏見相關的因素的影響，研究人員還設計了一種將人口統計信息與身份特徵相結合的方案，以改善所代表的面孔的人口統計平衡。
ID4AFRICA執行董事Joseph Atick博士在組織的RiveCast期間提出了是否可以通過面部識別訓練偏見而不將整體準確性降低到最低的共同點的問題。面部識別技術的聚光燈。 '
Sixue告訴生物識別更新在電子郵件中。
她解釋說：“由於人口屬性對身份具有歧視性（不同的種族不可能是同一主題），因此它的刪除將不可避免地導致FR更具挑戰性的環境。” “ Debface犧牲了大量面部樣本的同類群體的準確性，同時它可以提高圖像較少的同類精度。”
該論文說，他們的實驗的總體結果令人鼓舞，偏見減少並改善了人口統計學估計，性能與最先進的系統相當。
Sixu說：“一種減少偏見的策略是在保留人口統計信息的同時，通過為相應的特徵提取功能增加額外的能力來提高代表性不足的隊列的特徵可區分性，但仍然是代表性良好的人群的特徵。” “這樣，所有隊列的一般表現都可以提高，同時，代表性不足的同夥和代表性良好的同夥之間可以降低準確性的差距。”
與基線方法相比，DEBFACE降低了性別，年齡和種族的生物特徵識別驗證和人口統計學估計的偏差。儘管總體準確性降低了，但DebFace-ID的面部驗證準確性，RFW（種族面孔）數據集的數據集範圍從黑色面孔的93.67％到95.95％的白色面孔在Sixue，Sixue，Xiaiaoming和Jain進行測試中。
SIXUE指出，平衡數據集仍顯示出偏見，證明其他因素（例如相機設置，捕獲條件，圖像質量和人口統計標籤）也會產生偏見。即使從一開始就考慮到人口統計學表示，也很難構建一個真正平衡的數據庫，因為六ue稱之為“不平衡的乘法效應”，因此也應應用其他方法來減輕面部識別的偏見。
在Debface通過為身份和人口統計學產生偏見的表徵來平衡準確性和偏見的權衡，盲目結合人口特徵和身份可能會重新引起偏見。因此，在將來的工作中，研究人員計劃嘗試使用一種聚合方案，該計劃將人口統計和身份結合在一起，而無需通過數據集或算法引入偏見。
Sixue說：“從特徵分佈的角度來看，種族，性別和身份的匯總表示是將身份特徵表示形式重新映射回其相應的人口統計領域的過程。” “身份特徵將根據其人口統計屬性收集到多個群集中（見圖6中的圖6）。目標是增強每個人口統計組中特徵點的區分，並縮小人口統計組之間特徵分佈的差異。”
在面部生物識別技術中減少人口差異的工作仍在繼續，其中一些場上最聰明的頭腦將自己應用於這個問題。他們取得成功的程度可能會大大有助於確定最終的面部識別方式。
