パナソニック コネクトは2023年10月10日、シンガポールのPanasonic R＆D Center Singapore（パナソニックシンガポール研）およびNTU Singapore（南洋理工大学）と共に、人種や性別による顔認証の精度差を減らす技術を開発したと発表した。マシンラーニング（機械学習）における「パーティション学習」を顔認証に適用し、段階的に多様な属性に対して有効な顔認証モデルを学習させている。
パナソニック コネクトは、シンガポールのPanasonic R＆D Center Singapore（パナソニックシンガポール研）およびNTU Singapore（南洋理工大学）とともに、人種や性別による顔認証の精度差を減らす技術を開発した。この技術を用いて種々の属性に共通して有効となる顔認証モデルを学習することで、データ数が少ない特定の人種や女性の認証精度低下を抑制することに成功したという。
開発の背景として、顔認証技術の社会実装が進む中で、特定の人種や性別について顔認証の精度が低下する傾向が見られることが、近年のAIの公平性に対する社会的関心の高まりに伴い、問題視されてきていることを挙げている。
「顔認証の学習データは実世界の人口比率の影響を受けやすく、人種間、性別間でデータ規模が異なる。属性間の学習データの偏りが精度に影響を与えてしまう」（同社）
そこで、顔学習データの偏りの影響を抑制する手法として、マシンラーニング（機械学習）における「パーティション学習」に着目し、顔認証に適用した（図1）。同手法では、認識の難しさを指標として、顔学習データを自動的に属性ごとのグループ（パーティション）に分割する。また、すべてのパーティションの精度を向上させる共通的な特徴表現方法を学習する。パーティション学習を複数回行うことで、人種や性別などさまざまなパーティションを生成し、段階的に多様な属性に対して有効な顔認証モデルを学習する。
図1：人種や性別に起因する顔認証の精度差を軽減する新技術の概要（出典：パナソニック コネクト）拡大画像表示
パーティション学習を顔認証分野における既存のアルゴリズムと組み合わせた評価では、人種ごとの精度を検証可能な評価データセットであるMFR（注1）で、4人種（アフリカ系・白人・南アジア・東アジア）の平均エラー率を削減し、最高精度を達成したとしている。また、性別ごとの精度を検証可能な評価データセットであるCelebAにおいても、女性の本人受け入れエラー率の削減に成功したという。
注1：MFRは、Masked Face Recognition Challengeの略称で、マスク、幼児、複数人種など様々な対象ごとの評価データセットを提供するコンペティションを指す。今回の研究では複数人種を対象とした評価データセットを利用し精度を検証している。
