LaED：一种新型轻量、边缘感知且可解释的深度学习模型，用于资源受限教育环境中的隐私保护人脸考勤

为何更智能的点名很重要

点名看似例行公事，但在许多学校，这项工作正逐步交由人脸识别来完成。这一转变有望减少错误和文书工作，但同时也带来了关于学生隐私、数字安全和公平性的棘手问题。本研究提出了 LaED，一种新的课堂考勤系统，力图在保留自动人脸识别便利性的同时，降低导致公众反对和多国监管行动的风险。

从简单的人脸扫描器到更安全的课堂工具

早期课堂系统把出勤视为纯粹的模式匹配任务：发现人脸、与存储的图像匹配，并标记学生出席。LaED 则从不同前提出发。它面向真实教室场景构建——光照变化、学生走动、并非所有人都同意被扫描。作者认为，任何认真解决方案都必须同时应对五个问题：抵御伪造人脸、拒绝未知人员、公平对待不同群体、保护敏感数据，并留下可审计的决策轨迹。LaED 被设计为一个三层流水线，针对这些关切逐一处理，而不是仅追求准确率。

看清真正在场的人，而不只是摄像头所见

第一层称为感知层，专注于验证观察到的人脸是否确属于摄像头前的活体个体。它利用皮肤随心跳而产生的微小颜色变化和视频帧中的细微时间线索来识别打印照片、回放视频、3D 面具或深度伪造片段。那些看起来伪造、低质量或被严重篡改的输入会在做出身份判断前被丢弃。这一步额外的筛查显著降低了学生用手机屏幕作弊或外部人员利用合成媒体混入的可能性。

识别学生并排除陌生人

一旦图像通过这些检查，LaED 的身份层便使用一个为低成本硬件（如 Raspberry Pi 或 Jetson Nano）调优的小型变换器网络提取紧凑的人脸表示。系统采用“开放集”策略：若与所有已登记学生的相似度均低于阈值，则该人员被标记为未知，不计入出勤表。训练过程中，模型还会调整其内部表示，使年龄、性别和肤色群体更均衡地聚类，从而减少许多商业系统常见的性能差距，尤其是对深色皮肤和较年轻学生的不利影响。

将数据保留在本地并使决策可问责

最后的信任层负责决策后的处理。LaED 将生物特征数据保存在学校设备上而非集中云端，并依赖联邦学习，在该模式下仅共享经过扰乱的模型更新以在各站点间提升性能。额外的数学噪声进一步降低了从这些更新中重建任何学生人脸的风险。每次考勤事件都会写入篡改可见的日志，记录时间、置信度分数和同意状态。这使学校和监管机构能够审查系统行为并履行删除历史记录的请求。

在现实世界中的表现如何

为测试 LaED，研究人员将包含欺骗攻击、深度伪造和多样化面孔的若干公共数据集与一个较小的、基于同意的课堂数据集合合并。LaED 达到约 98% 的识别准确率，同时将伪装呈现的错误率保持在 2% 以下，并在不同人口群体间维持非常小的性能差距。它在适度的边缘设备上也能实现实时运行，功耗仅为几瓦。当在消融测试中移除系统部分功能时，欺骗攻击、不公平处理或隐私风险迅速上升，这凸显了整体分层设计的必要性。

走向负责任考勤的谨慎路径

对非专业读者而言，关键信息是：自动化考勤并非便利与公民权利之间的非此即彼选择。LaED 表明，通过结合对伪造媒体的检测、小心处理未知人脸、公平意识训练、本地数据处理和详尽日志记录，可以在更尊重学生隐私与尊严的同时获得可靠的点名信息。然而，作者强调，仅靠技术还不够：持久信任还需明确同意、强有力的监督，以及对当地学校政策和法律的谨慎适配。

引用: 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

关键词: 教育中的人脸识别, 隐私保护型人工智能, 课堂考勤系统, 深度伪造与欺骗检测, 公平且可解释的生物识别