AFRLの講演で説明された顔認識バイアスを軽減するためのクラスター化されたデータポイントの切り出し

Applied Face Recognition Labのバーチャルトークシリーズの一環として行われた最近の講演によると、顔認識のバイアスに関する公の議論には多くの「強打者」が存在するにもかかわらず、問題の性質と問題の根源についての誤解が広まっているという。 。

メリーランド州試験施設のアイデンティティおよびデータ サイエンス研究所の主任データ サイエンティストであるジョン ハワード氏は、「人間と機械の顔認識におけるバイアスの理解と軽減」と題したプレゼンテーションでこの問題を詳しく掘り下げました。

コンピュータサイエンスやマシンビジョンの研究者を含む多くの観察者は、生体認証アルゴリズムのパフォーマンスにおける偏りの原因としてデータの役割を強調しているが、ハワード氏は考えられる原因は数多くあると指摘する。

「率直に言って、データのせいにすることは、おそらくより困難でより興味深い問題を回避する方法だとも思います」とハワード氏は説明する。 これは、データ サイエンティストが慣れていて快適な解決策につながるため、魅力的な傾向です。 より多くのデータの取り込み。

顔認識におけるバイアスの問題をより完全に理解するには、損失関数、評価バイアス、および人々の機械との関わり方が重要であるとハワード氏は主張します。 後者の問題には、投影バイアス、確証バイアス、自動化バイアスが含まれます。 言い換えれば、人は機械が自分と同じように動作し、自分の信念を確認し、検証する必要のない結果を生み出すことを期待する傾向があります。

ハワード氏によると、顔は指紋や虹彩ほど成熟していない生体認証モダリティであり、「ビッグ 3」のうちの 2 つの古いモダリティから教訓を得ることができる可能性があります。 ただし、顔モダリティに特有の要素によって「特有の問題」が発生する可能性があります。

たとえば、虹彩認識アルゴリズムによって生成される誤った一致は、性別や民族をまたぐことがよくありますが、顔の一致はそうではありません。 このため、それぞれのケースで同じ用語 (「誤った一致エラー」) が使用されているにもかかわらず、顔照合のエラーを見つけることが難しくなります。

ハワードは、バイアスがいかに異なるかを示すいくつかの研究論文をレビューしました。 自動化バイアスはそれほど大きくなく、理想的な状況では、たとえば人々が自信を持っていないときに主に現れます。 人々がマスクを着用しているときなど、状況が理想的ではない場合、人々はコンピューターの評価を優遇する可能性が高くなります。

同氏はまた、「広範な同質性」の影響と、アルゴリズムの偏りを個別に評価する NIST の FRVT Part 3 の調査結果についてもレビューしました。

最終的に、顔には人口統計に基づいた類似または「クラスター化された」データが含まれているものの、特に顔の生体認証におけるバイアスとなる誤一致エラーを減らすために、クラスター化を示さない特定のデータポイントを選択することが可能であることが研究で示されているとハワード氏は強調します。人間がループの中にいるとき。 これは、アルゴリズムが突然指紋や虹彩認識の候補リストに似た候補リストを返すためです。 多くの場合、適切な候補は人間の目には明らかです。

精度 | 生体認証バイアス | 生体認証 | 顔認識 | メリーランド州試験施設 (MdTF)

このサイトはスパムを低減するために Akismet を使っています。 コメントデータがどのように処理されるかをご覧ください。

読み続けて