Corte de pontos de dados agrupados para reduzir o viés de reconhecimento facial explicado na palestra do AFRL

Apesar da presença de muitos "rebatedores pesados" no discurso público sobre o viés no reconhecimento facial, o mal-entendido sobre a natureza do problema e de onde ele vem é generalizado, de acordo com uma palestra recente como parte da série de conversas virtuais do Applied Face Recognition Lab .

John Howard, principal cientista de dados do Laboratório de Identidade e Ciências de Dados no Maryland Test Facility, aprofundou a questão em uma apresentação intitulada 'Entendendo e mitigando o viés no reconhecimento facial humano e de máquina'.

Enquanto muitos observadores, incluindo muitos que trabalham em ciência da computação e visão de máquina, enfatizam o papel dos dados como causa de viés no desempenho do algoritmo biométrico, Howard observa que existem muitas fontes possíveis.

"Também acho que apenas culpar os dados é, francamente, uma maneira de evitar questões provavelmente mais desafiadoras e interessantes", explica Howard. Essa é uma tendência atraente, porque leva a uma resolução com a qual os cientistas de dados estão acostumados e confortáveis; a ingestão de mais dados.

A função de perda, o viés de avaliação e a maneira como as pessoas se relacionam com as máquinas são importantes para uma compreensão mais completa da questão do viés no reconhecimento facial, argumenta Howard. A última questão inclui viés de projeção, viés de confirmação e viés de automação. Em outras palavras, as pessoas tendem a esperar que as máquinas se comportem como elas, confirmem suas crenças e produzam resultados que não precisam ser verificados.

O rosto é uma modalidade biométrica menos madura do que a impressão digital e a íris, diz Howard, e as lições podem ser tiradas das duas modalidades mais antigas dos "três grandes". No entanto, "problemas únicos" podem ser apresentados por elementos exclusivos da modalidade facial.

As correspondências falsas produzidas por algoritmos de reconhecimento de íris, por exemplo, muitas vezes cruzam gêneros e etnias, enquanto as de face não. Isso torna mais difícil para as pessoas identificarem erros na correspondência facial, apesar da mesma terminologia ("erro de correspondência falsa") ser usada em cada caso.

Howard revisou vários trabalhos de pesquisa demonstrando como diferentes vieses. O viés de automação é modesto e, em circunstâncias ideais, aparece principalmente quando as pessoas estão inseguras, por exemplo. Quando as circunstâncias são menos ideais, como quando as pessoas usam máscaras, é mais provável que as pessoas privilegiem a avaliação de um computador.

Ele também revisou o efeito da "ampla homogeneidade" e as descobertas do FRVT Parte 3 do NIST, que avalia o viés em algoritmos individualmente.

Em última análise, embora os rostos contenham dados semelhantes ou "agrupados" com base na demografia, Howard enfatiza que a pesquisa indica que é possível selecionar pontos de dados específicos que não exibem agrupamento, para reduzir os erros de correspondências falsas que resultam em viés na biometria facial, particularmente quando um humano está no loop. Isso ocorre porque os algoritmos retornam listas de candidatos que de repente se parecem mais com aquelas de impressão digital e reconhecimento de íris. O candidato certo, em muitos casos, é óbvio ao olho humano.

precisão | viés biométrico | biometria | reconhecimento facial | Instalação de teste de Maryland (MdTF)

Este site usa Akismet para reduzir o spam. Saiba como seus dados de comentários são processados.

Continue lendo