¡Hola a todos!

Desde el paquete de explicabilidad nos complace anunciar la participación por parte de nuestro coordinador Javier M. Moguerza en el artículo Reinforcement Training of Face Recognition Systems Using Morphing and XAI Methods (https://ietresearch.onlinelibrary.wiley.com/doi/10.1049/bme2/7897011).

En este artículo se presenta presenta un marco de entrenamiento por refuerzo para sistemas de reconocimiento facial (FRS) que aprovecha técnicas de morphing facial para generar instancias visuales contrafactuales con el fin de mejorar el modelo. Se emplearon dos estrategias complementarias de morphing: un enfoque geométrico basado en la triangulación de Delaunay–Voronoi (DVT-Morph) y un enfoque generativo que utiliza difusión latente y modelos basados en autoencoders (morphing basado en difusión [MorDIFF]). Los morphs generados actúan como contrafactuales controlados, representando imágenes faciales mínimamente modificadas que inducen cambios en las decisiones de verificación de los FRS.

El método propuesto integra estos contrafactuales en el proceso de entrenamiento de dos sistemas de reconocimiento de última generación, ArcFace y MagFace, para reforzar sus fronteras de decisión y mejorar su robustez, calibración y explicabilidad. Al combinar la generación de contrafactuales basada en morphing con técnicas de Inteligencia Artificial Explicable (XAI), el marco permite un espacio de incrustación más interpretable y una mayor resiliencia frente al morphing y a perturbaciones adversarias. Los resultados experimentales demuestran que la inclusión de contrafactuales basados en morphing mejora significativamente la precisión de verificación y la transparencia en la toma de decisiones de los FRS modernos. Además, la metodología es agnóstica tanto al modelo como a la técnica de morphing, y puede aplicarse a cualquier arquitectura de FRS, independientemente de la técnica de generación de morphing utilizada.

¡Esperamos que los disfrutéis!