パーティション学習を適用し、データ数が少なさに起因する認証精度の低下を抑制
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をパナソニック コネクトが開発
2023年10月11日 14時00分更新
パナソニック コネクトは、2023年10月10日、Panasonic R＆D Center Singapore（パナソニックシンガポール研）とNTU Singapore（南洋理工大学）と共同開発した顔認証技術に関する論文が、画像認識分野のトップカンファレンスであるICCV（International Conference on Computer Vision）2023に採択されたことを発表した。
これまで顔認証技術は、人種や性別などの属性について、データ数が少ないと認証精度が低下する傾向にあり、近年のAIの公平性に対する社会的関心の高まりにあわせて問題視されていた。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。そのため、顔認証技術の土台となるディープラーニング技術は、大量の学習データを必要するため、この属性間の学習データの偏りが精度に影響を与えていた。
今回採択された論文「Invariant Feature Regularization for Fair Face Recognition」では、この問題に対して、ディープラーニングにおける「パーティション学習」という手法を初めて（パナソニック コネクト調べ）顔認証に適用。この技術を用いてさまざまな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の低下を抑制することに成功した。
パーティション学習と呼ばれる手法では、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）に分割し、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。この学習を複数回行うことによって、人種や性別などのさまざまなパーティションを生成、段階的に多様な属性に対して有効な顔認証モデルを構築する。
「パーティション学習」の顔認証への適用
本手法を顔認証分野における既存のアルゴリズムと組みあわせた評価は、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。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。
