trueface表示Fairface面对生物识别数据集有助于量化其TFV5面部识别模型中的偏见因素，从而使公司能够降低种族之间的准确性差异。该公司的计算机视觉软件开发人员Cyrus Behroozi在一篇有关中等的TrueFace对TFV5的评估结果。
该帖子还提供了一个蓝图，该帖子通过提高模型的操作阈值来指导客户在面部识别应用中减少误报。
在帖子中，Behrozi列出了TFV5模型与其前身TFV4之间的可量化差异。一个重要的差异是所有种族和性别群体（包括东亚人和东南亚人）的偏见减少，而Behrozi认为这通常不足。这是由于从代表性不足的组中添加了补充图像到培训数据集。
他解释说：“ Fairface数据集包含来自七个主要种族群体的平衡数量的面部图像，并包含每个身份的单个图像。在评估中，我们为数据集中的每个图像生成一个面部识别模板，然后将每个面部模板与彼此进行比较以生成一个相似性分数。”
与TFV4相比，新模型似乎在历史上代表性不足的族裔群体的偏见显着下降。 Behroozi指出，这主要是由于由这些组的图像组成的道德采购的生物识别训练数据集。
Behroozi还指出，无论性别和种族如何，这都可以带来技术公平。他进一步补充说，当应用于生物识别访问控制方案时，误报的减少也可以降低安全风险。 “通常，我们建议我们的客户以相似性得分阈值在0.3至0.4之间的工作，尽管确切的阈值最终取决于所需的假阳性率或假负率。在下面的两个图中您会注意到的是，TFV5在所有族裔的操作区域中的误报较少，”他补充说。
这篇文章是对TrueFace的初始评论在2020年发表的生物识别面部识别模型中的偏见因素。在其中，Behroozi列出了如何设计Fairface的评估。
该帖子于2020年3月30日星期二下午6:33更新，以阐明对算法进行更改的详细信息。
