在一份已接受以供出版的論文中提出了幾種量化人口統計學差異或偏見的新措施。新的指標代表了超越樣本是否匹配的努力，包括考慮匹配分數來考慮如何很好。
紙'公平指數措施評估生物識別識別的偏見'由IDIAP研究所的SébastienMarcel和Ketan Kotwal撰寫。國際模式識別研討會會議已接受。
儘管生物識別偏差通常與面部識別有關，但研究表明，它們的指標對所使用的方式不可知。
考慮使用“ ROC（接收器操作特徵）曲線作為測量人口統計學差異的代理”，考慮了最近提供的公平差異（FDR）。
本文的作者在論文的摘要中寫道：“雖然很少有現有的公平措施基於生物識別系統的決策後數據（例如驗證準確性），但我們討論了決策前數據（得分分佈）如何為人口統計學公平提供有用的見解。”
馬塞爾（Marcel）和科特瓦爾（Kotwal）提出了基於三種措施中每一個結果的加權融合的方法，每種措施的三種變體允許從多個角度進行評估。
分離公平指數（SFI）衡量不同人群群體與預期價值的真實和不匹配的分數的距離。緊湊性公平指數（CFI）衡量分數在不同群體中的傳播。分配公平指數（DFI）衡量對整體得分分佈的公平性。在每種情況下，相似的分數和公平系統都通過接近1.0的值表示。
如果成功的話，這些指標表明生物識別驗證與其準確性分別是多麼公平，但應予以稱讚，而不是替代基於結果的公平措施。
NIST還在研究如何測量生物識別偏差和目前正在尋求反饋關於藝術的狀態。
文章主題
準確性|人工智慧|生物識別匹配|生物特徵偏置|生物識別技術|生物識別研究|人口公平|身份驗證|IDIAP|瑞士生物識別研究與測試中心
