该研究提出了一种新颖的无监督公平得分归一化方法，用于减少面部识别中的偏见，并导致显着的总体性能提升。实验结果表明，这种方法可以降低性别等群体的偏见，并且相比现有方法更加一致地减少了这种偏见，同时也可以增强总体性能。

Feb, 2020

本文深入探讨了生物识别技术在算法偏倚背景下的现存问题及解决方案，尤其关注人脸识别算法的种族歧视和偏见问题，并提出了未来的研究方向。

Mar, 2020

本文分析了人脸质量评估和识别偏见之间的相关性，发现当前人脸质量评估算法也存在偏见，应注意公平和歧视问题。

Apr, 2020

本篇论文介绍了生物特征识别的基本概念和在人脸质量度量方面的研究，提出了一种基于深度学习技术的开源脸部质量评估工具，并通过 NIST 的评估证明了其优越性。

Jun, 2020

通过深度学习的方法，本文综述了可用于人脸图像质量评估的文献，探讨了该技术在人脸识别和其它应用方面的潜在应用。

Sep, 2020

本文提出了多个基于 biometric 系统评分的统计特征的评估指标和权重策略，通过评估数据得出生物识别系统的公平性。

Jun, 2023

生物特征验证（BV）系统往往在不同的人群中显示准确性差异，引发应用中的偏见。评估和量化这些偏见对确保BV系统的公正性至关重要。然而，现有的BV偏见评估指标存在一些限制，如仅关注匹配或非匹配错误率、忽视性能介于最好和最差性能水平之间人群的偏见以及忽视偏见的强度。本文对BV中现有偏见评估指标的限制进行了深入分析，并通过实验分析展示了它们的背景适应性、优点和限制。此外，还引入了一种新颖的通用偏见评估度量指标，即“组错误差之和（SEDG）”。我们在控制的合成数据集上的实验结果表明，当使用现有指标和我们自己提出的度量时，能够有效量化人口统计偏见。我们讨论了偏见评估指标在一组模拟人口统计偏见场景中的适用性，并提供了基于场景的指标建议。我们的代码在https://github.com/alaaobeid/SEDG上公开共享。

Apr, 2024

本研究解决了量化机器学习模型偏差行为的需求，并提出了一种新的综合公平指数（CEI），有效整合了错误率和得分分布的差异。研究发现，该指标在评估面部识别系统的种族偏差方面尤其有效，具有广泛的实际应用价值。

Sep, 2024

本研究解决了指纹识别技术在男女、年龄和指型等人口统计因素对指纹质量和匹配准确率影响的不足研究问题。通过对近1.6万名受试者的10指印数据进行分析，发现指纹质量与人口统计数据之间存在依赖关系，并指出不同人群在指纹识别系统中的性能变化，最终为提高生物特征技术的算法公平性和均等性提供了新的数据驱动证据和后续行动建议。

Sep, 2024

本研究解决了指纹识别技术在不同人口群体中表现存在偏差的问题，特别是性别、年龄和指型对指纹质量及匹配准确性影响的不足理解。通过对近16,000名受试者的10指印样本进行的大规模数据分析，研究揭示了指纹质量与人口统计特征的依赖性，并提出了可行的改进建议，以提高生物特征技术的公平性和准确性。

Sep, 2024