人脸识别技术——设计保护隐私和防止偏见的系统.docx

O引言与指效和虹膜识别非常相似，FRTs是一种牛.物识别系统，它依赖于模式识别来匹配给定数据集中的人脸.换言之，有关一个人身体的数字化信息是从图像或视频中提取出来的，并与其他面部图像或其他传记信息相关联。鉴于这些能力，本文介绍了一种二维启发式方法来描述FRTs中的准确性和隐私性权衡。接者讨论了这项技术对随私和偏见的影晌。I一种确定人脸识别技术准确性和陷私性权衡的启发式方法在本报告中，我们使用“准确性”一词来指代FRTS进行图像比较和正确识别人的能力。选择该定义的原因是，我们希望遵循测试和实施FRTS的政府机构使用的分类法。我们还认识到FRTs的性能准确性包括多个方面：好大化真实肯定、最小化错误肯定和错误否定。这些都对隐私和偏见有影响.在对文献进行回顾之后，我们确定了一种二维启发式方法，以对比潜在的隐私问题和对FRTS准施性的影晌。第一个维度描述了受试者了解FRTS系统并同意配合使用的程度：同意或不同意。在同意的情况下，受试对象知道他们的图像已被捕获并通过自愿提供信息进行合作。由于拍摄对彖静止不动，取卜脸部遮盖物并直视摄像机，因此可以得到更高质量的图像.相反，在不同意的情况下,受试对象没有机会拒绝捕获其图像。在这种情况卜.，通常会出现阻碍视线或姿势变化的情况，从而降低FRTS的准确性.启发式对比的第二个方面是聘面部验证与身份识别进行对比。人脸验证是将一张人脸的参考图像与另一张人脸的参考图像，即声称身份人的参考图像进行一对一的比较。此外，人腌识别涉及两个数据集的搜索。它可以在一个数据集中的人脸中搜索另一数据集中的人脸，也可以从另一数据集中的一个数据先中搜索任意数量的记录。在此报告中，我们将一对多和多对多标识归为一类：一些对多。这个映射关系与FRTS系统的准确性和偏差有关，因为目前用F一对一识别的电法比多对多识别的算法更准施。表1所示的矩阵可以柄助我们评估错误与隐私和偏见潜在相互作用。例如,它表明左上象限中的用例可能比右下象限中的用例具有更而的准确性.因此，这种二维分类可以作为一组判断FRTS系统是否具有高精度的标准。衣1按同意和匹配类型分列的人脸识别技术使用案例Consent-TypeMatchTypeVerification(One-to-One)Identification(SometoMany)ConsentBordercontro1.passportauthentication.Deviceauthentication Socia1.mediaidentityreso1.ution VisascreeningNonconsent1.awenforcementmugshotsDetaineeidentityVerifKation Face-in-a-crowdairportsurvei1.1.ance3 Streetcamerasurvei1.1.ance Schoo1.survei1.1.ance2隐私和险私增强技术1.1 1隘私权和偏好在这项研究中，我们将隐私定义为一个人控制自己信息的能力。它对个人和国家的重要性是不可否认的0根据联合国人权宣言，隐私权是一项人权0它的保护可以起到平衡国家间权力的作用，被认为是一种受保护的公民自由。在实践中，隐私权的概念可能由于下.文的原因而雄以实现。例如，国土安全部(DHS)指出，它被授权从“声称是美国公民和进入美国的旅行者的美国入境申请者”那里收集生物特征信息。但根据乔治城大学法律中心随私与技术中心的一份报告，国会“从未明确授权使用人脸识别技术从美国公民那里收集生物特征:对随私的关注，尤其是对监视的保护，可能导致人们改变其行为。当被问及这些问题时，美国受访者表示，他们想要隐私并关心隐私.欧盟的受访者强烈地不信任机构，他们更愉向于保护随私。有关美国政府监控的新闻报道可能会对记者的言论、网络行为和宗教表达产生寒蝉效应。对监视的长期影响研究发现，尽管人们能够适应侵入式监视，但他们发现它是“烦恼、担忧、焦虑甚至愤怒”的原因。在一项研究中，受试者甚至放弃r自己喜欢的活动和爱好，以表现出某种形式的对观察者所能看到东西的控制。此外，监视并不能保证产生好的行为或阻止坏的行为。例如，闭路电视在犯罪方面的效力因环境而异。1.2 数据收集和共享许可考虑到公众对隐私和监视的关注，在决定如何实施FRTS时，获得同意是一个重要的考虑因素。对不同意提供信息的人使用FRTs,无论是收集还是以后分享，福会产生短期和长期的负面影响.它可能导致结果不准确或被误解，例如,被列入拒绝某人权利的黑名单中。鉴于收集到的这些信息一股不公开，可能不会告知错误肯定事件的当事人为什么会被标记，从而使他们无法利用补救或申诉机制来反驳和解决误解。FRTS也可以用来提供一些好处。如果谙求某一福利的人不同意拍照，那么他们将不会有可用于成功配对的面部照片。例如，有些旅行需要护照，如果想进行这种旅行的人从未中谙或提供符合申请护照要求的照片，那么他们就不会同意在检查护照的数据集中拥有照片，因此将被拒绝进行该旅行.1.3 隐私增强技术在部署新技术时，特别是在安全环境中，政府机构可能需耍考虑保护隐私和提供安全之间的内在权衡。随私工程领域近年来不断发展，它解决了将随私保护构建到软件和哽件中的问题.我们探索了隐私工程，以确定如何获得FRTS的安全优势，同时仍将隐私构建到以安全为中心的系统中。尽管隐私工程包含多种工具和技术，但我们重点关注在FRTs系统上实现隐私工程的三个方面：（1）数据保护（W重于通过使用加密或分离系统角色或任务来保护现有数据这确保了数据的完整性，并且只有预期和授权的查看者才能读取信息。它在防止恶意收集信息方面特别有用.（2）数据坡小化、缩减和匿名化侧重于减少可用信息量，甚至是授权用户。相关方法的示例包括差分隐私和取名化。（3）数据透明度和可纠正性是一种访问和控制技术，强调受试者在确定和理解如何处理其数据方面的作用.熨杂的用户访问和隐私控制选项包括向公众提供通知和选择。此外，如有需要，还应提供纠正信息的机会。尽管有通知和选择，但个人对其数据的控制最终可能取决于政府机构如何选择平衡隐私和安全1前两个方面（数据保护和数据最小化,缩减和匿名化）仅在系统实施者和开发人员的控制之内。数据透明性和可纠正性还必须由系统开发人员和实施人员来建立，但是这些技术为主题提供/更多的机会来让受试者/解和更正关r自己持有和使用的数据。1.4 人脸识别黑客人们试图保护腾私的一种方法是“入侵”FRTs。FRTs无法幸免于通过各种攻击媒介破坏其有效性的努力.根据实施这些行为人的意图，它们可以被视为一种手段，通过使摄像机难以扫描一个人的面部来保护隐私，或者通过伪造一个人的面部特征来为非法行为提供便利.本节描述了以避免检测或模拟为目的时FRTS进行黑客攻击的技术。1.5 检测回避检测回避也被称为躲避或生物特征模糊，它可以增加对象的物理外观和用于识别他们的图像收集之间的差异.目前，几乎所有的检测I可避技术都依敏于面部特征的临时或永久的物理修饰或陶藏。临时性技术（例如，放竟社交可接受的障碍物或假发）会降低FRTS系统检测匹配身份的能力.一些研究强调/眼镜在检测回避中的作用.身份照片中有眼镜的受试者一旦摘卜.眼镜，就有可能避开FRTs。眼镜还可以设计成通过使用特定的颜色模式，通过以新颖的方式吸收和反射自然光的材料或通过发出使照相机系统蒙蔽的红外光来误导FRTso使用临时或永久性补妆也会降低FRTS的有效性。GuodongGuo和他的同事创建/一个分类法，描述了化妆如何在一个人的面部特征中产生对比。分类法包括肤色，可以通过改变肤色来改变人的外表种族：皮肤光滑度和质地，对其进行修饰可改变疤痕、丘疹和皱纹的外观：皮肤的高光，可以突显脸部的不同元素.整容手术是一种永久性改变人的特征并挑战FRTS准确性的技术。根据FRTS方法和手术类型的不同，正确识别接受过整形手术的人的能力可能会有很大差异。例如，耳整形术后的识别率约为56%至90%,而皮肤整形后的识别率则约为5%至95%。1.6 假目模仿或欺骗是减少目名顶替者和目标之间面部差异的行为。其目的可能是访问系统或误导当局以为某个目标同时存在于多个位置。尽管技术可能类似丁检测回避技术，但假目似乎是更具挑战性的。关于此主题的研究描述了四种欺骗身份的技术:照片、视频、蒙版和变形.1.6.1 照片照片欺腕是最流行的技术，因为它很容易实现且便宜。它只需要用户获得目标的照片并将其呈现给FRTS系统。这种方法的缺点包括缺乏三维信息和手拿图片时引起的振动。此外，照片不太可能模仿活人的某些特征，如眼睛和嘴巴的运动，在文献中被称为“生动性”。克服这一缺点的一种方法是切开眼睛和嘴巴的孔，这使模仿者能够赋予图片“自然”的运动1.6.2 视摄高解析度屏幕上显示目标的而质量视频可以替代目标的照片。与照片不同，视频中的面部特征不太可能是静态的。如果FRTS系统在其身份验证中结合了生动性，则一个人眨眼、执行面部表情和呼吸的视频对于验证非常有用。但是，这些好处依赖于获得面部特征清晰可见的视频素材。1.6.3 面具最具挑战性的欺褊技术是构造和呈现一个三维面具。3-D扫描和打印技术的发展提供了必要的工具，可以促进这种模拟假冒的产生。冒名顶替者面临的主要间巡是，如果没有目标的合作，则几乎不可能获得构建准确表示所需的信息。一些FRTS系统通过请求一系列动作或动作密码与被试进行交互，而面具技术可以阻止这些动作。在FRTS中添加其他生物特征识别可能会反击这种黑客攻击。1.6.4 变形最后一种攻击被称为变形，在这种攻击中，一个人的照片与相貌相似的人的照片相结合。在他们的研究中，罗伯逊、克莱默和伯顿假设了一个场景，在这个场景中，有人用两个人的变形照片更新他们的政府身份，这样这两个人都可以使用新的文件。3人脸识别中的偏见在机器学习中，尤其是在入脸识别中，偏见是一个日益受到关注的问题,偏见是指不合理的。页向，有利于或不利于一个群体而不是另一个群体。特别令人关注的是对某些群体的非法、不道憔和不受欢迎的偏见.少数民族和团体如果认为自己可能与大多数人或其他受到严格审查的社区格格不入，可能会避免公开发表言论或采取其他行为.在FRTS中，面部的物理特征（如眼睛形状或肤色）会使偏见持续存在。众所周知，算法偏见的例子存在于不同的政策领域，如刑事司法和疾病监测。有偏见的FRTS结果可能导致各种潜在的危害,如缺乏同意、针对人群、测量错误和故意针对等。1.1 以人口群体为目标鉴于FRTS通常依赖于用数据“训练”的算法来关注特定的特征，不同的配置和操作方法在执行FRTS“目标”操作时会不成比例地影响群体.在本节中,我们将讨论这样的交叉过程。1.2 培训数据监督学习技术通常用于编程FRTS,它依赖于手动预标记的数据来“教导”算法它们应该关注的特性.因此，训练数据中的偏见会导致有偏见的输出.例如，如果一组面部照片包含的特定种族或具有特定面部特征的人太少，FRTs算法将永远无法“学习”识别他们.研究表明，训练数据中的人口统计偏见会影响FRTS识别人的表现。其中一项分析探讨了人口统计信息在一套商业上可获得的FRTS工具中的作用。结果表明，女性、黑人和年轻人的脸总是被错误识别。特别是，FRTS中的种族偏见被称为“其他种族效应”，此前类似的研究发现，人类能够更好地识别自己种族的面孔.,菲利普斯和他的同事将研究出的算法与以西亚或东亚国家为中心的训练数据进行比较，发现算法分别兀配了更多的白人或东亚人的面孔。事实上，多份报告发现，许多FRTS对深色人脸的识别能力较差。在另一项研究中，研究人员发现,三种商业性的FRTs专注于性别分类微软认知服务公司(microSoftCognitiYeServices)、IBN沃森公司(IBMWa