Position: Age Estimation Models Do Not Process Biometric Data

Resumo Técnico: Posição – Modelos de Estimativa de Idade Não Processam Dados Biométricos

Declaração do Problema
O artigo aborda uma ambiguidade regulatória crítica: se redes neurais que estimam a idade a partir de fotografias faciais processam "dados biométricos" sob frameworks como o RGPD (Artigo 4(14)), a Lei de Privacidade de Informações Biométricas de Illinois (BIPA) e o Ato de IA da UE. A definição de dados biométricos frequentemente depende de se os dados "permitem ou confirmam a identificação única" de uma pessoa singular. Embora os reguladores tenham debatido se o propósito (estimativa de idade versus identificação) ou a capacidade técnica (se representações intermediárias contêm informações de identidade) deveriam determinar a classificação, não existem orientações empíricas. Essa incerteza cria riscos significativos de conformidade, incluindo a necessidade de consentimento explícito, indenizações estatutárias ou classificação de IA de alto risco, potencialmente impedindo a implantação de sistemas de verificação de idade para segurança infantil.

Metodologia
Para resolver a questão da capacidade empiricamente, o autor avaliou 14 modelos distintos de redes neurais em três benchmarks padrão de verificação facial:

1. Modelos: O estudo incluiu sujeitos primários (modelos de estimativa de idade treinados exclusivamente para previsão de idade), modelos de atributos faciais (prevendo gênero, emoção, etc.), uma linha de base de reconhecimento facial (InsightFace ResNet-100 com ArcFace) e modelos de visão de propósito geral (por exemplo, DINOv3, ImageNet ResNet-50).
2. Benchmarks:
   • LFW (Labeled Faces in the Wild): Verificação padrão "in-the-wild".
   • AgeDB-30: Pares do mesmo indivíduo com lacunas de idade de até 30 anos para testar a robustez ao envelhecimento.
   • CFP-FP: Correspondência frontal a perfil para testar invariância de pose.
3. Protocolo de Avaliação:
   • Análise Camada por Camada: Embeddings foram extraídos de camadas intermediárias das redes (não apenas da saída final) para determinar se informações discriminativas de identidade surgem durante a inferência.
   • Métricas: O desempenho foi medido usando a Taxa de Falso Não-Casamento (FNMR) em Taxas de Falso Casamento (FMR) fixas. Os resultados principais foram relatados em FMR=1% (estatisticamente confiável dado o tamanho do conjunto de dados), com FMR=0,01% relatado para comparação regulatória.
   • Probing de Atenção: Um experimento secundário anexou uma sonda baseada em atenção a recursos de modelos congelados, treinando uma nova cabeça em dados rotulados por identidade (Glint360k) para determinar se informações de identidade estavam latentes, mas inacessíveis via agrupamento simples.
   • Benchmarks: Os resultados foram comparados contra limites regulatórios do NIST SP 800-63-4, do Sistema de Entrada/Saída da UE (EES) e da Aliança FIDO.

Principais Resultados
A evidência empírica demonstra que modelos de estimativa de idade carecem de capacidade significativa de identificação:

• Lacuna de Desempenho: Modelos de estimativa de idade ficam ordens de magnitude aquém dos limites de identificação. No benchmark LFW em FMR=1%, o melhor estimador de idade comercial alcançou uma FNMR de 26,8%, enquanto a linha de base de reconhecimento facial (ArcFace) alcançou 0,23%. Isso representa uma lacuna de duas ordens de magnitude.
• Limites Regulatórios: No ponto operacional regulatório (FMR=0,01%), os modelos de estimativa de idade alcançaram FNMRs entre 64% e 99%, muito acima do requisito <5% para sistemas biométricos.
• Análise de Camadas: Nenhuma camada intermediária em qualquer modelo de estimativa de idade alcançou desempenho de verificação próximo aos padrões regulatórios. Mesmo as camadas "melhores" permaneceram significativamente acima do limite de FNMR de 5%.
• Cenários Adversariais: No AgeDB-30 (grandes lacunas de idade) e CFP-FP (variação de pose), os modelos de estimativa de idade desempenharam no nível ou próximo ao acaso aleatório (saturando em 96–100% de FNMR), indicando que os recursos otimizados para estimativa de idade são ortogonais aos recursos discriminativos de identidade.
• Resultados de Probing: Mesmo quando uma sonda baseada em atenção foi treinada nos recursos congelados de modelos de estimativa de idade usando rótulos de identidade, o desempenho permaneceu pobre em benchmarks mais difíceis (por exemplo, 67–98% de FNMR no AgeDB-30 e CFP-FP). Isso sugere que as representações fundamentalmente carecem das informações necessárias para identificação entre idades ou entre poses.

Principais Contribuições

• Evidência Empírica: O artigo fornece a primeira avaliação sistemática e empírica de se modelos de estimativa de idade possuem a capacidade técnica de identificar indivíduos, abordando diretamente uma lacuna na orientação regulatória.
• Benchmarking Contra Padrões: Estabelece uma linha de base concreta ao comparar o desempenho do modelo contra limites quantitativos específicos definidos pelo NIST, EES da UE e FIDO, movendo o debate da interpretação teórica para a capacidade mensurável.
• Diferenciação de Processamento: O estudo distingue entre representações intermediárias transitórias (que são descartadas após a inferência) e templates biométricos armazenados, fornecendo dados para apoiar o argumento de que as primeiras não constituem dados biométricos sob definições atuais.

Significado e Alegações
O artigo alega que sua contribuição primária é evidência, não uma decisão legal. Argumenta que, como os modelos de estimativa de idade demonstravelmente não podem identificar indivíduos (falhando em benchmarks de verificação por duas ordens de magnitude), suas representações intermediárias não atendem à definição baseada em capacidade de dados biométricos encontrada no Artigo 4(14) do RGPD.

O autor solicita:

1. Transparência dos Pesquisadores: A documentação do modelo (por exemplo, cartões de modelo) deve declarar explicitamente se os embeddings são armazenados ou descartados e incluir resultados de benchmarks de verificação para esclarecer as capacidades de um sistema.
2. Clareza Regulatória: Os reguladores devem distinguir entre "processamento transitório" (onde as representações existem apenas durante a inferência e são descartadas) e "armazenamento de template" (onde embeddings são salvos para identificação). O artigo argumenta que sistemas incapazes de identificação não devem estar sujeitos às proteções mais estritas de dados biométricos projetadas para sistemas de identificação, pois a super-regulamentação impede aplicações de segurança infantil.

O artigo conclui que, embora imagens faciais permaneçam dados pessoais, as proteções de alto risco específicas associadas a dados biométricos (como consentimento explícito do Artigo 9 ou indenizações estatutárias da BIPA) não devem se aplicar a sistemas que empiricamente não podem identificar indivíduos.