通过实验发现，男女发型有重要差异，尤其是男性胡须会造成不同男性面孔之间的平均外观差异更大，而当基于发型来遮挡面部的数据在性别上平衡后，初始的性别差距在识别准确性上大部分消失，这个结果对未来研究中包含性别差异具有启示意义。

Jun, 2022

这篇论文探讨了人脸识别技术的偏见和种族主义问题，分析了测试数据、训练数据和图像本身特征等多个因素对人脸识别准确度的影响。研究发现，测试图像本身特征对人脸识别准确度有着直接的影响。

Apr, 2023

该研究使用深度卷积神经网络训练数据集，在测试数据集上测试面部识别的准确度，研究发现在训练数据中性别平衡并不会转化为测试准确度的性别平衡，更多的男性图像比女性图像能够更好地缩小测试准确性的 “性别差距”，而以缩小准确性差距进行的训练并不会产生最高的男性、女性或平均准确性。

Feb, 2020

本文试图解释商用面部分类服务在性别分类任务中在由皮肤类型和性别所定义的交叉群体中表现不平等的原因。研究发现，皮肤类型不是造成准确率差异的主要原因。相反，实验表明跨族群差异在唇、眼和颧结构上的差异导致准确率的差别，唇和眼彩妆在女性面部中被视为强预测因素，这是性别刻板印象的一种有害传播。

Nov, 2018

针对自动化性别分类系统在不同种族和性别群体中存在的差异性，本文分析了深度学习算法中的架构差异和训练集不平衡等潜在差异性来源，并在两个大规模的公开数据集上进行了实验。实验结果表明，不同算法的分类表现存在一致性，而且黑种女性和黑种族总体的准确率最低，中东男性和拉丁女性的准确率大多数情况下更高。同时提出骨骼结构受基因和环境因素影响的面部形态差异可能是黑种女性表现不佳的原因。

Sep, 2020

该研究对 MORPH 数据集中的非裔美国人和白人图像组之间的面部识别准确性差异进行了系统调查，发现四个匹配器的假冒者和真实分布在组之间存在显着差异，使用 ICAO 合规性作为图像质量标准，结果发现初始图像组具有不均等的合格图像比率，并表明该 ResNet 匹配器的效果更好。

Apr, 2019

面部的着装出现变化可以大大改变外貌。虽然更大的训练集可以提高对所有面部着装的识别准确率，但是由于面部着装的影响，准确率的变化不受训练集大小的影响。此外，不同人群中面部着装的分布可能导致误导人们对不同人群之间识别准确率的印象。通过分析面部着装在训练数据中不同比例的影响，我们发现，即使使用平衡的无胡须和有胡须的训练集进行训练，测试数据上的准确率变化并没有减少。进一步研究面部着装分布对训练数据的影响，我们采用数据增强技术对面部着装像素进行操作，并通过面部标志点和面部分割模型的帮助。我们的结果表明，面部着装导致了无胡须和有胡须图像之间的准确率差距，并且这种影响在非洲裔美国人和白人之间差异显著。

May, 2024

研究发现最近深度学习模型容易出现以种族和性别等保护类别为基础的歧视。通过使用平衡的脸部数据集，探究三种常见的深度伪造检测器在保护子群体上的性能差异，发现预测性能在种族之间存在很大的差异，该研究还发现一些方法可能会导致伪造影响保护子群体，并造成检测器出现系统性别种族歧视。

May, 2021

通过深入分析，本文重点讨论了涉及种族、年龄和性别等因素的交叉偏见问题，提出了在当前文献中较少探索的种族、年龄和性别组合方面的性能差异。此外，本文在定量分析中引入了五个补充指标，包括不公平影响和不公平待遇指标，以克服当前主流方法中常被忽视的重要局限。研究结果表明，人脸识别系统存在普遍偏见，不仅限于种族，不同的人口统计因素导致显著不同的结果。通过揭示这些偏见及其影响，本文旨在促进进一步研究，以开发更公正、更公平的人脸识别和验证系统。

Jul, 2023

本文探讨了人脸识别算法中面部图像识别误差受种族差异影响的可能基础因素，包括数据驱动和场景建模，并提供了对评估算法种族偏见的方法论考虑。通过对四种面部识别算法表现的数据分析，本文得出种族偏见的存在需要在各不同应用场景下进行测量，同时提供了一个检查清单来测量面部识别算法中的种族偏见。

Dec, 2019