尽管在公开关于面部识别中偏见的公众讨论中存在许多“重型击球手”，但误解了问题的性质以及它来自何处的偏见，这是广泛的。虚拟谈话系列。
马里兰州测试设施的身份和数据科学实验室的主要数据科学家约翰·霍华德（John Howard）在题为“理解和减轻人与机器面部识别的偏见”的演讲中深入研究了这个问题。
尽管许多观察家，包括许多在计算机科学和机器视觉上工作的观察者，都强调了数据作为生物识别算法性能中偏见的作用，但霍华德指出，有很多可能的来源。
霍华德解释说：“坦率地说，我也认为仅仅指责数据是一种躲避可能更具挑战性和更有趣的问题的方式。”这是一种有吸引力的趋势，因为它导致了数据科学家习惯和舒适的解决方案。摄入更多数据。
霍华德认为，损失功能，评估偏见以及人们与机器的关系方式对于对面部识别中偏见问题的更全面了解很重要。后一个问题包括投射偏见，确认偏差和自动化偏差。换句话说，人们倾向于期望机器像他们一样行事，确认自己的信念，并产生不需要验证的结果。
霍华德说，面部比指纹和虹膜是一种新的生物识别方式，可以从“三巨头”的两个较旧的方式中汲取教训。但是，“独特的问题”可以由面部形态独特的元素提出。
例如，虹膜识别算法产生的虚假匹配通常在性别和种族之间穿越，而那些在脸上则没有。尽管在每种情况下都使用了相同的术语（“错误的匹配错误”），但这使人们很难在面部匹配中发现错误。
霍华德回顾了几篇研究论文，证明了不同的偏见。自动化偏见是适中的，例如，在人们不确定的情况下，自动化偏见大多出现。当情况不太理想时，例如人们戴口罩时，人们更有可能获得计算机评估的特权。
他还审查了“广泛的同质性”和Nist的发现FRVT第3部分，它根据单独评估算法中的偏差。
最终，尽管面孔确实基于人口统计数据包含类似或“聚集”的数据，但霍华德强调了这一点研究表明可以选择不表现出聚类的特定数据点，以减少与面部生物识别技术中偏见相当的错误匹配，尤其是当人类在循环中时。这是因为算法返回候选人列表突然看起来更像指纹和虹膜识别的候选列表。在许多情况下，合适的候选人对人的眼睛显而易见。
