二松下部門和新加坡大學已經開發了一種培訓面對生物識別算法的方法，他們說這些算法改善了以較少的培訓數據代表的人群群體的面部識別表現，EE時代亞洲報告。
合作夥伴組織是Panasonic Connect Co. Ltd，Panasonic R＆D新加坡（新加坡研究所）和新加坡的Nanyang Technological University（NTU）。
關於面部生物識別訓練方法的論文，他們稱之為“公平識別的不變特徵正規化，”已被國際計算機願景會議（ICCV）2023所接受。
研究人員說，模型傾向於拾取特定於人口統計學特定的特徵。這些可以通過因果乾預來刪除，但是進行所需的註釋非常昂貴。
根據摘要，他們的方法涉及以無監督的方式生成“不同的數據分區”。數據分區充當通過“不變特徵正規化（INV-REG）”“解污染”模型的自我證明功能。
研究人員針對蒙面的面部識別挑戰評估數據集測試了該方法，發現在四個種族組和女性圖像中，錯誤率降低了。
威斯康星大學研究人員對技術和社交媒體的偏見的研究表明，由於技術勞動力的巨大差異，無意識的偏見不受挑戰，在包括面部識別在內的各種系統中都導致了不同的結果。
美國國土安全部的研究人員最近發現，儘管種族和性別人口差異面部生物識別算法有所改善，它們存在於大多數模型中。
