Processing

Please wait...

Settings

Settings

Goto Application

1. WO2020136297 - METHOD FOR REMOVING BIAS IN BIOMETRIC RECOGNITION SYSTEMS

Note: Text based on automatic Optical Character Recognition processes. Please use the PDF version for legal matters

[ ES ]

R E I V I N D I C A C I O N E S

1.- Un sistema de reconocimiento biométrico que comprende uno o más procesadores; al menos una memoria; y uno o más programas en el que dichos programas están almacenados en una memoria y configurados para ejecutarse mediante el o los procesadores, caracterizado porque los programas incluyen instrucciones para ejecutar las etapas de:

definir un conjunto formado por M muestras de Y personas diferentes etiquetadas a partir de atributos como el género, etnia o edad, de tal forma que las muestras A y las muestras P se corresponden con muestras de la misma identidad, mientras que las muestras N se corresponde con diferentes identidades;

introducir un valor s que se corresponde con el sesgo presente en cada muestra; y aprender una función de transformación que genera un nuevo espacio de

características configurado para: (i) minimizar la distancia
entre los vectores de características de A y P; (ii) maximizar la distancia
entre los vectores de características A y N; y (iii) reducir el valor s en las muestras hasta su eliminación.

2.- El sistema de acuerdo con la reivindicación 1 donde los programas incluyen instrucciones para generar una base de datos de tripletes (T) a partir de las M muestras disponibles de Y identidades de tal forma que las muestras se agrupan en conjuntos de tres, en los que dos muestras pertenecen a una misma identidad y una tercera pertenece a otra identidad distinta.

3.- El sistema de acuerdo con la reivindicación 2 donde los programas incluyen instrucciones para pasar cada una de las tres muestras por el modelo pre-entrenado y generar un vector de características x de dimensión d.

4.- El sistema de una cualquiera de las reivindicaciones 1 a 3 donde los programas incluyen instrucciones para entrenar un detector de sesgo a partir de los vectores de características y sus etiquetas asociadas de género, edad o etnia; donde dicho detector es, al menos, un algoritmo de clasificación y dará como salida un valor proporcional al nivel de sesgo presente en el vector de características

5.- El sistema de una cualquiera de las reivindicaciones 1 a 4 donde los programas incluyen instrucciones para la extracción de sesgo formada por una red neuronal que incluye una capa de entrada y una capa de salida con número de neuronas L.

6.- El sistema de acuerdo con una cualquiera de las reivindicaciones 1 a 5 donde los programas incluyen instrucciones para entrenar los pesos de esta capa para encontrar una función de transformación
J que minimice la función de coste:

donde ¾,
¾ son los vectores obtenidos en el paso b.

7.- El sistema de acuerdo con la reivindicación 6 donde los programas incluyen instrucciones para calcular el coste a través de la siguiente ecuación (2):

donde
x¾¡ son los vectores obtenidos en el paso b para cada uno de los tripletes ¿ de la base de datos T, Kx) es un escalar que definen la cantidad de sesgo presente en los vectores de características de cada triplete,
es una distancia entre vectores de características y ® una constante, donde la cantidad de sesgo representa la capacidad de un algoritmo para detectar atributos sesgados en ese espacio de características.

8.- El sistema de acuerdo con una cualquiera de las reivindicaciones 6 y 7 donde los programas incluyen instrucciones para calcular el escalar
como:


donde b es una constante
es la salida del detector de sesgo entrenado

previamente en el paso c para la muestra A.
calculan de forma análoga.

9.- El sistema según una cualquiera de las reivindicaciones 1 a 8 donde los programas incluyen instrucciones para finalizar el proceso iterativo de eliminación del sesgo
3 cuando el detector de sesgo no sea capaz de superar un rendimiento mínimo de detección de sesgo.

10.- Un método implementado por computador para el desarrollo de módulos de eliminación del sesgo en sistemas biométricos de acuerdo con una cualquiera de las reivindicaciones 1 a 9 que comprende definir un conjunto formado por M muestras de Y personas diferentes etiquetadas a partir de atributos como el género, etnia o edad, de tal forma que las muestras A y las muestras P se corresponden con muestras de la misma identidad, mientras que las muestras N se corresponde con diferentes identidades y donde, además, se introduce un valor s que se corresponde con el sesgo presente en cada muestra; y donde el método se caracteriza porque es un método de aprendizaje automático iterativo que comprende aprender una función de transformación <KS) que genera un nuevo espacio de características configurado para: (i) minimizar la distancia
entre los vectores de características de A y P;

(ii) maximizar la distancia d(¾*¾) entre los vectores de características A y N; y (iii) reducir el valor s en las muestras hasta su eliminación.

1 1 .- El método implementado por computador de la reivindicación 10 que comprende generar una base de datos de tripletes (T) a partir de las M muestras disponibles de Y identidades de tal forma que las muestras se agrupan en conjuntos de tres, en los que dos muestras pertenecen a una misma identidad y una tercera pertenece a otra identidad distinta.

12.- El método implementado por computador de la reivindicación 1 1 que comprende pasar cada una de las tres muestras por el modelo pre-entrenado y generar un vector de características x de dimensión d.

13.- El método implementado por computador de una cualquiera de las reivindicaciones 10 a 12 que comprende entrenar un detector de sesgo a partir de los vectores de características y sus etiquetas asociadas de género, edad o etnia; donde dicho detector es, al menos, un algoritmo de clasificación y dará como salida un valor &U) proporcional al nivel de sesgo presente en el vector de características x.

14.- El método implementado por computador de una cualquiera de las reivindicaciones 10 a 13 que comprende una etapa de extracción de sesgo formada por una red neuronal que incluye una capa de entrada y una capa de salida con número de neuronas L.

15.- El método implementado por computador de acuerdo con una cualquiera de las reivindicaciones 10 a 14 que comprenden la etapa de entrenar los pesos de esta capa para encontrar una función de transformación que minimice la función de coste:


donde son los vectores obtenidos en el paso b.


16.- El método implementado por computador de acuerdo con la reivindicación 15, donde el coste se calcula a través de la siguiente ecuación (2):

donde son los vectores obtenidos en el paso b para cada uno de los

tripletes 1 de la base de datos T,
es un escalar que definen la cantidad de sesgo presente en los vectores de características de cada triplete,
es una distancia entre vectores de características y s una constante, donde la cantidad de sesgo representa la capacidad de un algoritmo para detectar atributos sesgados en ese espacio de características.

17.- El método implementado por computador de acuerdo con una cualquiera de las reivindicaciones 15 y 16 donde el escalar
se calcula como:

donde b es una constante es la salida del detector de sesgo entrenado

previamente en el paso c para la muestra A.
j se calculan de forma análoga.

18.- El método implementado por computador según una cualquiera de las reivindicaciones 10 a 17 donde el proceso iterativo de eliminación del sesgo
3 finaliza cuando el detector de sesgo no sea capaz de superar un rendimiento mínimo de detección de sesgo.

19.- Un producto de programa informático con instrucciones configuradas para su ejecución por uno o más procesadores que, cuando son ejecutadas por un sistema de reconocimiento biométrico de acuerdo con una cualquiera de las reivindicaciones 1 a 9 hacen que dicho sistema lleve a cabo el método según cualquiera de las reivindicaciones 10 a 18.