根據美國國土安全部的新研究，刪除與種族和性別相關的面部特徵會使面部生物識別算法不太可能根據這些人口統計數據將其與他人混淆。
紙'量化種族和性別特徵確定商業面部識別算法的身份的程度'揭示了這一發現，即種族和性別相同性對面部生物識別相似性分數的變化貢獻約10％。
與生物識別數據庫的組成相匹配的圖像可能會對不同群體的準確性差異有重大影響，尤其是在警察申請中，DHS馬里蘭州測試設施主要數據科學家約翰·霍華德（John Howard）在郵政中解釋說，LinkedIn。他建議，基於1：1匹配或驗證的面部生物識別技術公平性工作的現有工作並不一定能在1：n或識別場景中準確洞悉該問題。
該論文由DHS的馬里蘭州測試設施（MDTF）的Howard，Yevgeniy Sirotin和Jerry Tipton以及DHS科學技術局的Arun Vemury撰寫。
他們使用在2018年生物識別技術集會期間收集的數據來測試用於建立身份的功能。他們發現，面對生物識別算法，儘管不是虹膜識別算法，但使用與種族和性別相關的功能。與五種領先的面部識別算法相比，具有相同種族或性別的人的相似性得分更高。
然後，研究人員提出了一個系統，以量化與種族和性別相關的特徵的使用，並分析了從考慮中刪除這些功能的可能性。根據論文，算法的性能降低了，但不低於有用的水平。
大多數商業面部生物識別算法似乎並未將特徵提取或考慮到與種族和性別相關的人的特徵提取或考慮，研究人員推測這可能是由於使用深卷積神經網絡的使用，該網絡已眾所周知，這些網絡已通過使用相關性，但最終在對象分類中使用相關性，但最終是微不足道的數據。
研究人員指出，某些特徵和平衡的生物特徵參考文獻畫廊的使用將代表與當前降低的常見方法背道而馳。
NIST也正在挖掘AI的偏見試圖幫助行業減少並最終消除它。
文章主題
準確性|演算法|生物識別匹配|生物特徵偏置|生物識別技術|生物識別研究|DHS|面對生物識別技術|面部識別|馬里蘭州測試設施（MDTF）
