假面的问题是如此复杂，以至于某些解决方案只是造成了更多问题。
例如，瑞士的研究人员认为，他们已经提出了一种方法来解决培训数据集，而培训数据集则在面部识别工具中不足以占主导地位。
IDIAP研究所科学家将创建代表其他人群来训练生物识别算法的合成面。
研究人员将通过苏黎世大学和SICPA，一家瑞士公司为包括货币在内的敏感文件创建安全链接。该公司将评估学校和IDIAP的发展。
偏见的数据集已成为面部识别工具构建的第三条轨道。对于政客和监管机构来说，它们是一个简单的目标，根据IDIAP，技术公司从与任何标有偏见的事物相关的可能性中退缩。
（该组织在生物识别公平上转动前）
IDIAP没有提及此解决方案中是否可能存在副本问题。根据定义，合成面并不完美。数据集中的缺陷最终会导致开发人员希望提供帮助的人群中意外和明显的畸变吗？
然后有预压研究论文，标题为“这个人（可能）存在”，它质疑黑盒神经网络的基本假设之一 - 没有办法知道流入其中的信息。
面部数据集受到保护，因此，根据这一原则，这些面孔所有者的隐私也是如此。
但是，凯恩·诺曼迪大学和恩尼·凯恩大学的科学家说，他们发现生成的对抗网络通过新的实验会员资格攻击“泄露有关培训数据的信息”。
这次攻击使研究人员“辨别样本具有与培训样本相同的身份而不是相同样本的样本”。它与多个流行的面部数据集和网络培训程序一起使用时起作用。
麻省理工学院技术评论文章分析论文指出，一个人的病历用于训练以患病的模型训练，这可以启发该人，这要归功于与患者非常相似的假脸。
当然，这意味着，从理论上讲，IDIAP的想法（创建面孔以提高模型包容性）最终可能会效仿用于为面部数据集创建合成的主题。
