onfidoและtruefaceจัดสัมมนาผ่านเว็บสองรายการแยกกันที่การประชุมสมรรถนะนานาชาติ(IFPC) ในวันพฤหัสบดีโดยมุ่งเน้นที่การลดอคติจากแอปพลิเคชันการจดจำใบหน้า
ในการประชุม Martins Bruveris นักวิทยาศาสตร์การวิจัยการเรียนรู้ของเครื่องจักรที่ Onfido ได้พูดคุยเกี่ยวกับการลดความแตกต่างของประสิทธิภาพทางภูมิศาสตร์สำหรับการจดจำใบหน้า
Mosalam Ebrahimi จาก TrueFace ในทางกลับกันมุ่งเน้นไปที่การพูดคุยเกี่ยวกับกลยุทธ์การบรรเทาอคติที่เกี่ยวข้องกับการแข่งขันเท็จที่มีความมั่นใจมากเกินไป
การลดความแตกต่างของประสิทธิภาพทางภูมิศาสตร์ใน Biometrics Face
การนำเสนอของ Bruveris เปิดโดยอธิบายประเด็นทั่วไปที่เกี่ยวข้องกับการบรรลุอัตราการรับรู้ใบหน้า 1: 1 ระหว่างเซลฟี่และภาพถ่ายเอกสาร
นักวิทยาศาสตร์กล่าวถึงความจริงที่ว่าภาพถ่ายในเอกสารไม่ได้อยู่ในความละเอียดสูงมักถูกบดบังบางส่วนจากคุณสมบัติด้านความปลอดภัยและโฮโลแกรมและมีความคมชัดต่ำ
ยิ่งไปกว่านั้นเนื่องจากพิมพ์ลงบนกระดาษพวกเขาจึงอาจมีการย่อยสลายคุณภาพของภาพโดยธรรมชาติเมื่อเวลาผ่านไป
Bruveris ดำเนินการโดยกล่าวว่า“ ไม่มีการวิจัยเกิดขึ้นในสุญญากาศ” และกล่าวถึงแหล่งข้อมูลมากมายที่ Onfido ทำการทดสอบของเขาเพื่อที่จะได้ลดความแตกต่างของประสิทธิภาพทางภูมิศาสตร์ใน Biometrics Face
เพื่อดำเนินการทดสอบเหล่านี้ บริษัท ยังได้วิเคราะห์ชุดข้อมูลภายใน 6.8 ล้านคู่รวมถึงข้อมูลภายนอกเพิ่มเติม 100,000 รายการรวมถึงเอกสารที่ออกเอกสารพร้อมข้อมูลเมตาที่มีอยู่เกี่ยวกับเพศและข้อมูลอื่น ๆ
Bruveris ตั้งข้อสังเกตว่าข้อมูลที่วิเคราะห์นั้นเป็น“ ไม่สมดุล” และไม่กระจายอย่างสม่ำเสมอเนื่องจาก บริษัท มีชุดข้อมูลเพิ่มเติมในประเทศที่ดำเนินธุรกิจส่วนใหญ่เป็นยุโรปและสหรัฐอเมริกา
กล่าวอีกนัยหนึ่งบางประเทศมีตัวแทนเป็นอย่างดีในชุดข้อมูลในขณะที่อื่น ๆ ไม่ได้ สิ่งนี้นำไปสู่อัตราการยอมรับที่ผิด ๆ สูงขึ้นอย่างมากในเอเชียและแอฟริกา
เพื่อแก้ไขปัญหานี้ Onfido ได้ปรับใช้ชุดของกลยุทธ์การบรรเทาที่หมุนรอบความคิดของการสุ่มตัวอย่างที่เท่าเทียมกันการสุ่มตัวอย่างที่ปรับแล้วและการสุ่มตัวอย่างแบบไดนามิก
การสุ่มตัวอย่างที่เท่าเทียมกันประกอบด้วยการเลือกตัวอย่างข้อมูลในจำนวนที่เท่ากันจากแต่ละทวีปในขณะที่แอตทริบิวต์การสุ่มตัวอย่างแบบถ่วงน้ำหนักชุดข้อมูลที่มีค่าน้อยกว่านั้นมีค่าที่สูงขึ้น
การสุ่มตัวอย่างแบบไดนามิกหมายถึงการสุ่มตัวอย่างถ่วงน้ำหนักด้วยน้ำหนักที่ปรับแบบไดนามิกในระหว่างการฝึกอบรมตามอัตราการยอมรับเท็จภายในชั้นเรียน (FAR)
Bruveris ระบุว่า Onfido ไม่ได้เปลี่ยนขนาดของชุดข้อมูล แต่มีเพียงความถี่ที่เลือกตัวอย่างจากแต่ละทวีป
หลังจากการทดลอง บริษัท สรุปว่าส่วนต่างของประสิทธิภาพสามารถลดลงได้โดยไม่ต้องมีข้อมูลที่สมดุล แต่การลดความแตกต่างอย่างมากสามารถนำไปสู่ความแตกต่างของอัตราการปฏิเสธที่ผิดพลาด (FRR) ที่เพิ่มขึ้น
กลยุทธ์การลดอคติการจดจำใบหน้าสำหรับการแข่งขันเท็จที่มีความมั่นใจมากเกินไป
Mosalam Ebrahimi หยิบขึ้นมาที่ Bruveris จากไปเสริมสิ่งที่นักวิทยาศาสตร์ของ Onfido พูดถึงอคติอัลกอริทึมในแอปพลิเคชันการจดจำใบหน้า
เขากล่าวถึงปัญหาการรู้จำภาพที่เกี่ยวข้องกับมุมข้าวและเบลอ ยิ่งไปกว่านั้นเชื้อชาตินั้นมีบทบาทในชุดข้อมูลส่งผลให้เกิดผลบวกปลอมที่สูงขึ้น
Ebrahimi ให้ภาพรวมโดยย่อเกี่ยวกับงานของ TrueFace โดยกล่าวถึงโครงการล่าสุดของ บริษัท โดยเฉพาะนักวิจัยอธิบายโซลูชันของ บริษัท ที่สร้างรหัส QR ที่มีอยู่ข้อมูลไบโอเมตริกซ์ที่เข้ารหัสสกัดจากภาพถ่าย
Ebrahimi ยังนำเสนอข้อมูลที่เกี่ยวข้องกับความเร็วอัลกอริทึมของ บริษัท โดยบอกว่าตอนนี้เร็วกว่าสี่เท่ากว่าสี่เท่าวิธีการของตนเองในรายงาน FRVT 1: 1 เกี่ยวกับฮาร์ดแวร์เดียวกัน
นอกจากนี้ยังช่วยให้ซอฟต์แวร์ของ บริษัท สามารถคัดเลือกชิ้นส่วนของภาพที่มีบิตเรตที่สูงขึ้นโดยใช้ตัวเข้ารหัสและตัวถอดรหัสของตัวเองลดขนาดไฟล์และรักษาคุณภาพสูงพอที่จะลดผลบวกปลอม
นักวิจัยของ TrueFace วิเคราะห์ว่าทำไมคะแนนความคล้ายคลึงกัน (ระยะทาง) เป็นมาตรการความมั่นใจที่ไม่สมบูรณ์
เขาแย้งว่าปัญหาอยู่ภายใต้ข้อเท็จจริงที่ว่าการฝังตัวนั้นไม่ได้เป็นมิติที่มีความผิดเพี้ยนสูงและแมปคะแนนการกระจายออกไปยังจุดสุ่มในตัวชี้วัดปลายทาง
Ebrahimi สรุปการนำเสนอของเขาโดยบอกว่าการแข่งขันเท็จที่มีความมั่นใจมากเกินไปสามารถป้องกันได้โดยคำนึงถึงการประมาณความหนาแน่นของความน่าจะเป็นของคะแนนความคล้ายคลึงกันแทนที่จะเป็นการประมาณค่าจุด
หัวข้อบทความ
ความแม่นยำ-การระบุไบโอเมตริกซ์-อคติไบโอเมตริกซ์-ไบโอเมตริกซ์-การวิจัยทางชีวภาพ-การจดจำใบหน้า-คนที่มีความสำคัญ-onfido-trueface
