LaED: новая лёгкая, ориентированная на край и объяснимая модель глубокого обучения для защиты конфиденциальности при учёте посещаемости по лицу в условиях с ограниченными ресурсами

Почему важен более умный переклич

Ведение посещаемости может казаться рутинной задачей, но во многих школах оно постепенно передаётся системам распознавания лиц. Этот переход обещает меньше ошибок и бумажной работы, но одновременно ставит серьёзные вопросы о приватности учащихся, цифровой безопасности и справедливости. В этом исследовании представлен LaED — новая система учёта посещаемости, которая стремится сохранить удобство автоматического распознавания лиц и при этом уменьшить риски, вызвавшие общественное недовольство и регуляторные меры в ряде стран.

От простых сканеров лиц к более безопасным инструментам для класса

Ранние системы для классов рассматривали учёт посещаемости как задачу чистого сопоставления образцов: найти лицо, сопоставить с сохранённым изображением и отметить присутствие. LaED исходит из другой предпосылки. Он построен вокруг реальных условий класса, где меняется освещение, учащиеся двигаются, и не все дали согласие на сканирование. Авторы утверждают, что серьёзное решение должно одновременно справляться с пятью задачами: сопротивляться поддельным лицам, отвергать незнакомцев, обеспечивать равное отношение к демографическим группам, защищать чувствительные данные и оставлять проверяемый след решений. LaED разработан как трёхслойный конвейер, который решает каждую из этих проблем, а не гонится только за высокой точностью.

Видеть, кто действительно присутствует, а не только то, что показывает камера

Первый слой, называемый слоем восприятия, сосредоточен на проверке, принадлежит ли наблюдаемое лицо живому человеку перед камерой. Он использует крошечные изменения цвета кожи, связанные с сердцебиением, и тонкие временные признаки в видеокадрах, чтобы обнаруживать отпечатанные фотографии, воспроизведённые видео, 3D-маски или клипы дипфейков. Входы, которые кажутся поддельными, низкого качества или сильно обработанными, отбрасываются до принятия какого-либо решения об идентичности. Этот дополнительный шаг фильтрации существенно снижает вероятность обмана системы с помощью экрана телефона или того, что посторонний сможет пройти, используя синтетические медиа.

Распознавать студентов и отвергать незнакомцев

Когда изображение проходит эти проверки, идентификационный слой LaED извлекает компактное представление лица с помощью небольшой трансформерной сети, оптимизированной для дешёвого оборудования, такого как Raspberry Pi или Jetson Nano. Вместо того чтобы принудительно относить каждое лицо к известному слоту, система использует стратегию «открытого множества»: если сходство со всеми зарегистрированными студентами ниже порога, человек помечается как неизвестный и не добавляется в список посещаемости. Во время обучения модель также корректирует внутреннее представление так, чтобы возрастные, гендерные и тональные группы кожи формировали более равномерные кластеры, что уменьшает разрыв в производительности, характерный для многих коммерческих систем, особенно для людей с более тёмной кожей и молодых учащихся.

Хранить данные локально и делать решения подотчётными

Финальный слой доверия отвечает за то, что происходит после принятия решения. LaED хранит биометрические данные на школьных устройствах, а не в централизованном облаке, и опирается на федеративное обучение, при котором передаются только зашумлённые обновления модели для улучшения работы на разных площадках. Дополнительный математический шум ещё больше снижает риск восстановления чьего-либо лица по этим обновлениям. Каждое событие посещаемости записывается в защищённый от подделки журнал, в котором фиксируются время, показатели уверенности и статус согласия. Это делает возможным для школ и регуляторов проверять поведение системы и выполнять запросы на удаление старых записей.

Насколько хорошо это работает в реальных условиях

Для тестирования LaED исследователи объединили несколько публичных наборов данных с атаками подмены, дипфейками и разнообразными лицами вместе с меньшей выборкой из классов, собранной на основе согласия. LaED достиг примерно 98 процентов точности распознавания при сохранении уровня ошибок для поддельных представлений ниже 2 процентов и с очень небольшими различиями в производительности между демографическими группами. Он также работал достаточно быстро для использования в реальном времени на скромных пограничных устройствах, потребляя всего несколько ватт. Когда части системы удалялись в аблационных тестах, уровень атак подмены, несправедливое отношение или риски для приватности быстро возрастали, подчёркивая необходимость полного многослойного дизайна.

Осторожный путь к ответственному учёту посещаемости

Для неспециалистов ключевое сообщение таково: автоматизированный учёт посещаемости не обязан быть выбором «всё или ничего» между удобством и гражданскими правами. LaED показывает, что, сочетая проверки на поддельные медиа, аккуратную обработку незнакомых лиц, обучение с учётом справедливости, локальную обработку данных и детальный аудит, можно получать надёжную информацию о посещениях, лучше уважая приватность и достоинство учащихся. Авторы подчёркивают, однако, что одной технологии недостаточно: длительное доверие также будет зависеть от ясного информированного согласия, строгого надзора и внимательной адаптации к локальным школьным политикам и законам.

Цитирование: Abiodun, E.O., Abiodun, O.I., Alawida, M. et al. LaED: a novel lightweight, edge-aware and explainable deep learning model for privacy-preserving facial attendance tracking in resource-constrained educational environments. Sci Rep 16, 15215 (2026). https://doi.org/10.1038/s41598-026-42051-8

Ключевые слова: распознавание лиц в образовании, ИИ с сохранением приватности, система учёта посещаемости в классе, обнаружение дипфейков и подмен, справедливая и объяснимая биометрия