En las últimas investigaciones dentro del campo de reconocimiento facial en inteligencia artificial, se ha identificado un desafío significativo relacionado con la clasificación de datos fuera de distribución. Esto ocurre cuando las imágenes usadas en las pruebas son distintas de aquellas empleadas durante el entrenamiento del modelo, un problema palpable en aplicaciones reales donde los datos provienen de distintos entornos o grupaciones demográficas. Los investigadores Gianluca Barone, Aashrit Cunchala, y Rudy Nunez, con la asesoría de Nicole Yang, han estado trabajando en prever estas limitaciones y proponer soluciones innovadoras para mejorar tanto la precisión como la equidad de los modelos de reconocimiento facial.
Entre las principales estrategias adoptadas, destaca la exposición a datos atípicos o “Outlier Exposure”. Esta técnica consiste en introducir datos fuera de distribución durante el proceso de entrenamiento, utilizando un modelo de exposición de outliers que permite al sistema ajustar sus parámetros en función de estas variaciones. En la investigación, se han utilizado diferentes conjuntos de datos, como FairFace y UTKFace, para determinar el impacto de estas prácticas en la precisión del modelo.
La investigación ha demostrado que al incorporar imágenes que divergen significativamente de la media del conjunto de datos original, los modelos pueden alcanzar una mayor precisión y equidad en la clasificación de imágenes que presentan características únicas o infrarrepresentadas en conjuntos previos. Al ajustar la ponderación de las clases minoritarias, el modelo se sensibliza más hacia aquellas muestras menos representadas inicialmente.
Uno de los experimentos clave consistió en la implementación de un parámetro de peso entrenable que aumenta el énfasis en estas imágenes fuera de distribución. Esto se logró mediante el uso del algoritmo de divergencia de Kullback–Leibler para seleccionar las imágenes más atípicas, integrando estas en el conjunto de entrenamiento.
Aunque el estudio señala que el “Outlier Exposure” puede tener limitaciones cuando la información sobre los datos fuera de distribución es escasa, los resultados preliminares sugieren una mejora considerable en la equidad de los modelos al combinar estas técnicas con métodos tradicionales de ponderación.
En conclusión, las técnicas descritas en este trabajo refuerzan el potencial del reconocimiento facial dentro de marcos más justos y precisos, lo cual es crucial en un mundo cada vez más dependiente de la IA para la toma de decisiones automatizadas en sectores críticos como salud y seguridad.