人脸反欺骗中真实错误的人种偏差分析

近年来，机器学习中的偏差研究受到广泛关注，然而明确探讨人脸反欺骗中人种偏差问题的论文寥寥无几。本文对人脸反欺骗中的人种偏差进行了系统性研究，具有三个关键特征：重点分析真实错误中的潜在偏差，而此处存在重大的伦理和法律问题；分析不仅局限于分类器的最终二元结果，还涵盖了分类器的标量响应及其潜在空间；将决定分类器工作点的阈值视为一个变量。我们在基于 VQ-VAE 的人脸反欺骗算法上演示了所提出的偏差分析流程，该算法在 Replay Attack 和 Spoof in the Wild (SiW) 数据库上训练，并在 SiW 和 Racial Faces in the Wild (RFW) 数据库上进行偏差分析。结果表明，人种偏差并不一定源于不同人群间不同的平均响应值。相反，可以将其更好地理解为响应分布若干可能特征的综合效应：不同的均值；不同的方差；双峰行为；离群值的存在。