面部生物識別技術中有關算法偏見的兩項新研究都表明，數據集中缺乏多樣性。對錶達不平衡的研究提出了一種使問題更好的方法，但是圖靈研究所的解釋者要求反對看似不可避免的面部識別擴散。
一項關於'面部表情是面部識別的脆弱性加泰羅尼亞大學開放，馬德里自治大學
研究人員認為，缺乏各種表達方式可能會造成安全漏洞，從而影響面部識別系統返回的匹配分數。
該論文以他們先前的工作為基礎學習情感盲的面部表徵'，描述了訓練數據集中面部表情之間的不平衡，並著手降低面部生物識別技術中“情感信息”的重要性。
為了解決這個問題，他們提出了兩種不同的算法方法，以學習“情感盲人的表現”。他們稱之為“敏化人”的一種涉及學習一個歧視者和“較少面部表達信息的對抗性正規化器”。另一方面，“學習不學習”，使用預先訓練的面部表達分類器來避免其分析的區域。
對於脆弱性測試，研究人員採用了三種面部識別模型以及情緒數據庫的複合面部表情，擴展的Cohn-Kanade，Celeba和MS-Celeb-1m，這些表情往往大多具有中性表達，並且比可悲的面孔更快樂。
他們發現，儘管面部表情不會影響負面匹配或冒名頂替者，但它可以將真正比較的性能降低多達40％。許多“面部動作單元”會嚴重影響真正的匹配得分。
但是，可以通過使用更多平衡的數據集，面部表情來改變這一點，並通過應用其他偏差方法，專門指的是最近的研究來自密歇根州立大學研究人員的三人組。
圖靈學院呼籲社會從技術人員那里奪回控制
艾倫·圖靈研究所（Alan Turing Institute）的戴維·萊斯利（David Leslie）博士的解釋者，''了解面部識別技術的偏見，'解決與面部檢測和識別技術相關的潛在人權風險（“ FDRT”）。
萊斯利（Leslie）總結了專業和反面部識別營，並指出面對生物識別技術似乎仍在這裡。萊斯利說，不可避免的“普遍性”的印像是一個問題。這是因為對補救的重點避免了關於“更基本的道德問題”的重要對話，因為該技術已經不均勻地增殖，由於不成比例地幫助世界已經對偏見和歧視的偏見，而且不可避免的性能是錯誤的。
最後，他主要是在某一時刻對面對面識別的“日益嚴格的批判聲音合唱”而呼籲，呼籲“社會成員大範圍”共同決定該技術的允許性。萊斯利（Leslie）提供了三個建議，作為恢復社會技術治理的最低起點（與實際的自治相反）；透明度和問責制，強大的隱私保存，同意和通知保證以及偏見降低措施，歧視意識設計以及相關基準測試的強大治理機制。
