Explainable AI: A Comparison on Explainability Methods in the Field of Facial Recognition

Abstract

In dieser Arbeit erforschen wir die Schnittstelle zwischen Explainable Artificial Intelligence (XAI) und Gesichtserkennung, beides Schlüsselbereiche auf dem Gebiet der künstliche nIntelligenz. Unser Ziel ist es, die Leistung verschiedener moderner XAI-Techniken zu untersuchen und zu bewerten, wenn sie mit einem aktuellen Gesichtserkennungsmodell verwendet werden. Zunächst befassen wir uns mit den aktuellen Herausforderungen, die sich beim Verstehen und Interpretieren komplexer Black-Box-Modelle in der Gesichtserkennung stellen. Diese Herausforderungen sind von entscheidender Bedeutung, insbesondere wenn die Verwendung dieser Modelle Auswirkungen auf personenbezogene Daten und individuelle Rechte hat. Eine gründliche Untersuchung verschiedener Gesichtserkennungsalgorithmen ist ein wichtiger Teil unserer Forschung. Diese Untersuchung bietet einen tiefen Einblick in ihre Methoden und Ansätze, gekoppelt mit einem Überblick über die neuesten Entwicklungen auf diesem Gebiet. Darüber hinaus ist die Untersuchung der verschiedenen Datensätze, die für das Training von Gesichtserkennungsmodellen verwendet werden, ein wesentlicher Bestandteil unserer Studie. Das Herzstück unserer Arbeit ist eine empirische Bewertung der Effektivität aktueller XAI-Methoden, mit besonderem Augenmerk auf die Gesichtserkennung .Diese Evaluierung wird durch umfangreiche Experimente durchgeführt, die die Anwendung verschiedener Erklärungsmethoden auf ein modernes Gesichtserkennungsmodell beinhalten.Die Studie schließt mit der Betrachtung der praktischen Implikationen des Einsatzes dieser XAI-Methoden in der Gesichtserkennungstechnologie. Wir schlagen vor, dass die zukünftige Forschung sich auf die Erweiterung mit alternativen XAI-Techniken und das Testen der Erklärbarkeitsmethoden im Gesichtserkennungsbereich auf größeren, vielfältigeren Datensätzen konzentrieren sollte. Mit dieser Arbeit wollen wir dazu beitragen, die Transparenz und Interpretierbarkeit von AI-Methoden zu verbessern, um deren verantwortungsvollen und ethischen Einsatz zu unterstützen

In this thesis, we explore the intersection of Explainable Artificial Intelligence (XAI) and face recognition, which are key areas in the field of artificial intelligence. Our goal is to examine and evaluate the performance of various state-of-the-art XAI techniques when used with a current face recognition model. Initially,we address the current challenges faced in understanding and interpreting complex ’black-box’ models in face recognition.These challenges are crucial to consider, especially when the usage of these models impacts personal data and individual rights. A thorough examination of different face recognition algorithms is a significant part of our research. This examination provides a deep dive into their methods and approaches, coupled with a review of the latest developments in the field. Furthermore, investigating the various datasets used for training face recognition models is an integral part of our study. At the heart of our thesis is an empirical evaluation of the effectiveness of current XAI methodologies, with a special focus in the context of face recognition. This evaluation is conducted through extensive experimentation, which includes applying different explanatory techniques to a state-of-the-art face recognition model.The study concludes by emphasizing the practical implications of employing these XAI methods in face recognition technology. We propose that future research should pivot towards exploring alternative XAI techniques and testing the face recognition model on larger, more diverse datasets. Through this thesis, we aim to contribute to enhancing the transparency and interpretability of face recognition technologies, to support their responsible and ethical use.