trueface表示Fairface面對生物識別數據集有助於量化其TFV5面部識別模型中的偏見因素，從而使公司能夠降低種族之間的準確性差異。該公司的計算機視覺軟件開發人員Cyrus Behroozi在一篇有關中等的TrueFace對TFV5的評估結果。
該帖子還提供了一個藍圖，該帖子通過提高模型的操作閾值來指導客戶在面部識別應用中減少誤報。
在帖子中，Behrozi列出了TFV5模型與其前身TFV4之間的可量化差異。一個重要的差異是所有種族和性別群體（包括東亞人和東南亞人）的偏見減少，而Behrozi認為這通常不足。這是由於從代表性不足的組中添加了補充圖像到培訓數據集。
他解釋說：“ Fairface數據集包含來自七個主要種族群體的平衡數量的面部圖像，並包含每個身份的單個圖像。在評估中，我們為數據集中的每個圖像生成一個面部識別模板，然後將每個面部模板與彼此進行比較以生成一個相似性分數。”
與TFV4相比，新模型似乎在歷史上代表性不足的族裔群體的偏見顯著下降。 Behroozi指出，這主要是由於由這些組的圖像組成的道德採購的生物識別訓練數據集。
Behroozi還指出，無論性別和種族如何，這都可以帶來技術公平。他進一步補充說，當應用於生物識別訪問控制方案時，誤報的減少也可以降低安全風險。 “通常，我們建議我們的客戶以相似性得分閾值在0.3至0.4之間的工作，儘管確切的閾值最終取決於所需的假陽性率或假負率。在下面的兩個圖中您會注意到的是，TFV5在所有族裔的操作區域中的誤報較少，”他補充說。
這篇文章是對TrueFace的初始評論在2020年發表的生物識別面部識別模型中的偏見因素。在其中，Behroozi列出瞭如何設計Fairface的評估。
該帖子於2020年3月30日星期二下午6:33更新，以闡明對算法進行更改的詳細信息。
