研究機構發布了2024年科學報告。它的研究涵蓋了廣泛的數字相關主題，其中一些直接適用於生物識別技術和數字ID提供商。有關可持續和韌性社會的研究項目（RP）正在探索以及合成數據集如何暴露真實身份，而實驗室更注重AI的RP則研究語音檢測技術和在面部識別中。
探索LLM在生物識別任務中的有希望的應用
該實驗室的Chatgpt實驗檢查了其執行與生物特徵識別相關任務的能力，“重點是面部識別，性別檢測和。”
為了進行評估，該實驗室能夠繞過AI的保障，以防止有關敏感數據的直接提示。結果表明“ chatgpt識別並以相當精確的方式區分了兩個面部圖像。此外，實驗結果表明，在年齡估計任務中，性別檢測方面的表現出色，準確性合理。”
簡而言之，Chatgpt可以執行面部識別和相關很好。
研究查看合成數據集是否洩漏實際生物識別技術
對於IDIAP對合成數據集的研究，該實驗室設計了“一種簡單而有效的會員推理攻擊，以系統地研究是否有現有的合成面部識別數據集洩漏了用於訓練發電機模型的真實數據中的任何信息。”
換句話說，它查看算法是否用於生成攜帶他們接受過培訓的任何實際生物識別數據。
Idiap說，這項研究“證明了合成面部識別數據集中的隱私陷阱，並為未來的研究鋪平了有關生成負責任的合成面部數據集的道路。”
比賽得分的公平分佈可以幫助解決FRT的偏見
IDIAP在研究基於深度學習的面部識別系統中的人口偏見時，提出了一種方法來“正規化面部識別模型的訓練，通過對匹配分數的分佈施加約束。”
它說，該系統尊重預定義的分佈，並懲罰了各組分佈的不對準。 “該方法提高了面部識別模型的公平性，而不會損害識別精度，並且在推斷過程中不需要額外的資源。”
公平性是RP的一個反復出現的主題，它也著眼於如何保持大語模型中的文化多樣性，以及沒有足夠數據的微調基礎模型如何增加人口統計學。
AI掃盲的一部分是一種新的學習方法
然而，大部分研究與新興景觀保持一致。一項有趣的研究涉及AI素養，並為十二個“定義能力”提出了一個計劃。
它說：“ AI素養已成為一個重要的概念，不僅是專門從事技術的人，而且對公眾來說。”鑑於這些技術的多學科潛在用途和含義，了解生成的AI涉及算法和工具的技術方面以及上下文，道德和法律考慮。我們介紹了基於能力的Genai素養模型，該模型由十二個能力從基礎AI素養到促進工程和編程技能，再到。”
文章主題
|||||
