Position: Age Estimation Models Do Not Process Biometric Data

기술 요약: 입장 - 연령 추정 모델은 생체 데이터를 처리하지 않음

문제 제기
본 논문은 GDPR(제 4 조 제 14 항), 일리노이주 생체 정보 개인정보 보호법 (BIPA), EU AI 법과 같은 프레임워크 하에서 얼굴 사진으로부터 연령을 추정하는 신경망이 "생체 데이터"를 처리하는지에 대한 중요한 규제적 모호성을 다룹니다. 생체 데이터의 정의는 종종 해당 데이터가 자연인의 "고유한 식별을 허용하거나 확인하는지" 여부에 달려 있습니다. 규제 기관들은 분류를 결정해야 하는 요소가 '목적'(연령 추정 대 식별) 인지 아니면 '기술적 능력'(중간 표현에 식별 정보가 포함되는지) 인지에 대해 논쟁해 왔으나, 경험적 지침은 존재하지 않습니다. 이러한 불확실성은 명시적 동의 필요성, 법정 손해배상, 또는 고위험 AI 분류와 같은 상당한 준수 리스크를 초래하여, 아동 안전을 위한 연령 확인 시스템의 배포를 저해할 수 있습니다.

방법론
기술적 능력을 경험적으로 해결하기 위해 저자는 세 가지 표준 얼굴 검증 벤치마크를 통해 14 개의 서로 다른 신경망 모델을 평가했습니다:

1. 모델: 연구에는 연령 예측만을 위해 훈련된 주요 대상 (연령 추정 모델), 얼굴 속성 모델 (성별, 감정 등 예측), 얼굴 인식 기준 모델 (InsightFace ResNet-100 with ArcFace), 그리고 범용 비전 모델 (예: DINOv3, ImageNet ResNet-50) 이 포함되었습니다.
2. 벤치마크:
   • LFW(Labeled Faces in the Wild): 표준 자연 환경 내 검증.
   • AgeDB-30: 노화에 대한 견고성을 테스트하기 위해 최대 30 년의 연령 차이가 있는 동일 인물의 쌍.
   • CFP-FP: 자세 불변성을 테스트하기 위한 정면 - 측면 매칭.
3. 평가 프로토콜:
   • 레이어별 분석: 추론 과정에서 식별 차별 정보가 발생하는지 확인하기 위해 네트워크의 최종 출력뿐만 아니라 중간 레이어에서 임베딩을 추출했습니다.
   • 지표: 성능은 고정된 오일치율 (FMR) 에서의 오부정합률 (FNMR) 을 사용하여 측정되었습니다. 주요 결과는 데이터셋 크기를 고려할 때 통계적으로 신뢰할 수 있는 FMR=1% 에서 보고되었으며, 규제 비교를 위해 FMR=0.01% 도 보고되었습니다.
   • 어텐션 프로빙: 정체성 정보가 잠재적이지만 단순한 풀링을 통해 접근할 수 없는지 확인하기 위해 정체성 레이블이 지정된 데이터 (Glint360k) 로 새로운 헤드를 훈련시켜 고정된 모델 특징에 어텐션 기반 프로브를 연결하는 2 차 실험을 수행했습니다.
   • 벤치마크: 결과는 NIST SP 800-63-4, EU 입출국 시스템 (EES), 그리고 FIDO Alliance 의 규제 임계값과 비교되었습니다.

주요 결과
경험적 증거는 연령 추정 모델이 의미 있는 식별 능력을 결여하고 있음을 보여줍니다:

• 성능 격차: 연령 추정 모델은 식별 임계값보다 수 차수 부족합니다. FMR=1% 에서 LFW 벤치마크를 기준으로 가장 성능이 우수한 상업용 연령 추정기는 26.8% 의 FNMR 을 기록한 반면, 얼굴 인식 기준 모델 (ArcFace) 은 0.23% 를 기록했습니다. 이는 두 차수의 격차를 나타냅니다.
• 규제 임계값: 규제 운영 지점 (FMR=0.01%) 에서 연령 추정 모델은 64% 에서 99% 사이의 FNMR 에 도달했는데, 이는 생체 시스템에 대한 <5% 요구 사항을 훨씬 초과합니다.
• 레이어 분석: 어떤 연령 추정 모델의 중간 레이어도 규제 표준에 근접한 검증 성능을 달성하지 못했습니다. 심지어 "가장 좋은" 레이어조차도 5% FNMR 임계값보다 훨씬 높았습니다.
• 적대적 환경: AgeDB-30(큰 연령 차이) 과 CFP-FP(자세 변화) 에서 연령 추정 모델은 무작위 추측 수준 (96~100% FNMR 에서 포화) 으로 수행되어, 연령 추정에 최적화된 특징이 식별 차별 특징과 직교함을 나타냈습니다.
• 프로빙 결과: 연령 추정 모델의 고정된 특징에 정체성 레이블을 사용하여 어텐션 기반 프로브를 훈련시켰음에도 불구하고, 더 어려운 벤치마크 (예: AgeDB-30 과 CFP-FP 에서 67~98% FNMR) 에서 성능은 여전히 저조했습니다. 이는 표현이 교차 연령 또는 교차 자세 식별에 필요한 정보를 근본적으로 결여하고 있음을 시사합니다.

주요 기여

• 경험적 증거: 본 논문은 연령 추정 모델이 개인을 식별할 기술적 능력을 갖는지 여부에 대한 최초의 체계적이고 경험적인 평가를 제공하여 규제 지침의 공백을 직접적으로 해소합니다.
• 표준에 대한 벤치마킹: NIST, EU EES, FIDO 가 정의한 구체적이고 정량적인 임계값과 모델 성능을 비교함으로써 구체적인 기준선을 확립하여, 논쟁을 이론적 해석에서 측정 가능한 능력으로 전환합니다.
• 처리 구분: 추론 후 폐기되는 일시적인 중간 표현과 식별을 위해 저장된 생체 템플릿을 구분하여, 전자 현행 정의 하에서 생체 데이터로 간주되지 않는다는 논지를 뒷받침할 데이터를 제공합니다.

의의 및 주장
본 논문은 주요 기여가 법적 판결이 아닌 증거라고 주장합니다. 연령 추정 모델이 명백히 개인을 식별할 수 없기 때문에 (검증 벤치마크에서 두 차수만큼 실패함), 그 중간 표현은 GDPR 제 4 조 제 14 항에 있는 능력 기반 생체 데이터 정의에 부합하지 않는다고 주장합니다.

저자는 다음을 요구합니다:

1. 연구자의 투명성: 모델 문서 (예: 모델 카드) 는 임베딩이 저장되는지 폐기되는지 명시적으로 기재하고, 시스템의 능력을 명확히 하기 위해 검증 벤치마크 결과를 포함해야 합니다.
2. 규제의 명확성: 규제 기관은 표현이 추론 중에만 존재하고 폐기되는 "일시적 처리"와 임베딩이 식별을 위해 저장되는 "템플릿 저장"을 구분해야 합니다. 본 논문은 식별이 불가능한 시스템이 식별 시스템을 위해 설계된 가장 엄격한 생체 데이터 보호 (과도한 규제가 아동 안전 응용 프로그램을 방해함) 의 대상이 되어서는 안 된다고 주장합니다.

본 논문은 얼굴 이미지가 여전히 개인 데이터이지만, 생체 데이터와 관련된 특정 고위험 보호 조치 (예: 제 9 조 명시적 동의 또는 BIPA 법정 손해배상) 는 경험적으로 개인을 식별할 수 없는 시스템에는 적용되어서는 안 된다고 결론지었습니다.