生物识别研究人员的突出三重奏提出了一种方法，以消除不同人口统计学之间的面部识别表现的差异或偏见。
密歇根州立大学的Sixue Gong和Anil K. Jain共同撰写的论文共同消除偏见的面部识别和人口属性估计，'是在2020年欧洲计算机视觉会议（ECCV）上介绍的。
研究人员提出了一个新颖的偏见对抗网络（DEBFACE），该网络“学会了为无偏见的面部识别和人口统计学估计提取分离的特征表示。”
本文中提出的网络由一个身份分类器和三个人口分类器组成，一个分类器分别用于性别，年龄和种族。特征因素之间的相关性通过对抗性学习来最大程度地减少与偏见相关的因素的影响，研究人员还设计了一种将人口统计信息与身份特征相结合的方案，以改善所代表的面孔的人口统计平衡。
ID4AFRICA执行董事Joseph Atick博士在组织的RiveCast期间提出了是否可以通过面部识别训练偏见而不将整体准确性降低到最低的共同点的问题。面部识别技术的聚光灯。'
Sixue告诉生物识别更新在电子邮件中。
她解释说：“由于人口属性对身份具有歧视性（不同的种族不可能是同一主题），因此它的删除将不可避免地导致FR更具挑战性的环境。” “ Debface牺牲了大量面部样本的同类群体的准确性，同时它可以提高图像较少的同类精度。”
该论文说，他们的实验的总体结果令人鼓舞，偏见减少并改善了人口统计学估计，性能与最先进的系统相当。
Sixu说：“一种减少偏见的策略是在保留人口统计信息的同时，通过为相应的特征提取功能增加额外的能力来提高代表性不足的队列的特征可区分性，但仍然是代表性良好的人群的特征。” “这样，所有队列的一般表现都可以提高，同时，代表性不足的同伙和代表性良好的同伙之间可以降低准确性的差距。”
与基线方法相比，DEBFACE降低了性别，年龄和种族的生物特征识别验证和人口统计学估计的偏差。尽管总体准确性降低了，但DebFace-ID的面部验证准确性，RFW（种族面孔）数据集的数据集范围从黑色面孔的93.67％到95.95％的白色面孔在Sixue，Sixue，Xiaiaoming和Jain进行测试中。
SIXUE指出，平衡数据集仍显示出偏见，证明其他因素（例如相机设置，捕获条件，图像质量和人口统计标签）也会产生偏见。即使从一开始就考虑到人口统计学表示，也很难构建一个真正平衡的数据库，因为六ue称之为“不平衡的乘法效应”，因此也应应用其他方法来减轻面部识别的偏见。
在Debface通过为身份和人口统计学产生偏见的表征来平衡准确性和偏见的权衡，盲目结合人口特征和身份可能会重新引起偏见。因此，在将来的工作中，研究人员计划尝试使用一种聚合方案，该计划将人口统计和身份结合在一起，而无需通过数据集或算法引入偏见。
Sixue说：“从特征分布的角度来看，种族，性别和身份的汇总表示是将身份特征表示形式重新映射回其相应的人口统计领域的过程。” “身份特征将根据其人口统计属性收集到多个群集中（见图6中的图6）。目标是增强每个人口统计组中特征点的区分，并缩小人口统计组之间特征分布的差异。”
在面部生物识别技术中减少人口差异的工作仍在继续，其中一些场上最聪明的头脑将自己应用于这个问题。他们取得成功的程度可能会大大有助于确定最终的面部识别方式。
