WACV 2027 に採択された論文が、大規模な顔認識の学習データを対象とした制御付き監査を実施し、広く使われている MS1MV3 データセットでさえ複数種類の学習データ欠陥が残存していること、そして欠陥の種類によって修正の効果が大きく異なることを示した。論文タイトルは「Different Defects, Different Effects: A Controlled Audit of Face Recognition Training Data（異なる欠陥、異なる効果：顔認識学習データの制御付き監査）」で、著者は Ana Dias 氏ほか 3 名。2026 年 10 月 20 日に arXiv へ投稿され、番号は arXiv:2610.28766、カテゴリはコンピュータビジョンとパターン認識（cs.CV）である。
論文はまず、顔認識技術の発展が大規模学習データセットの入手可能性によって強く支えられてきたと指摘する。その中でも MS-Celeb-1M は、約 10 万の Identity に由来する数百万枚の顔画像を提供することで重要な役割を果たしてきた。しかし、こうしたデータセットの規模と異質性は、アノテーション誤りや冗長なサンプル、その他のデータ不整合の発生確率を高める。このことが、学習データの品質を高める目的で MS1MV2 や MS1MV3 といった精製版が導入された動機である。
ところが論文は、こうしたクリーニング作業にもかかわらず、MS1MV3 にいくつかの種類の学習データ欠陥が依然として残っていることを示す。著者らは相補的なデータ監査戦略を提案し、それによって 5 つの欠陥カテゴリを特定した。すなわち、完全重複および近似重複画像、分割された Identity（split identities）、クロップ誤り、複数顔の曖昧性、そして無効コンテンツである。
欠陥を特定したうえで、研究チームは IResNet-50 と ArcFace に基づく制御された顔認識学習プロトコルの下で、これらの欠陥を修正した場合の影響を評価した。結果として、狙いを定めた介入は認識性能を維持し、場合によっては向上させつつ、元の学習セットの性能に到達するために必要な最適化ステップ数を削減できることが示された。重複の除去が最も明確な全体的利益をもたらし、分割 Identity の統合や無効コンテンツの除去も学習効率を改善した。
論文全体の結論として、データセットのクリーニング効果は対象とする欠陥の種類に強く依存することが示され、学習データの品質が大規模顔認識において依然として重要かつ比較的未開拓な要素であるというさらなる証拠が提示されている。著者らは、本研究で用いた学習マニフェスト（training manifests）とコードを採択後に公開する予定であるとしている。
時系列としては、本論文は 2026 年 10 月 20 日 18:04:27 UTC に第 1 版（v1）が投稿され、全文は約 1,792 KB。DOI は https://doi.org/10.48550/arXiv.2610.28766 で、DataCite により発行される（登録は保留中）。論文は WACV 2027 に採択されている。なお、要旨に示された結論は著者らが設定した制御付き学習プロトコルと監査手法に基づくものであり、具体的な性能変化の幅度については論文全文を参照する必要がある。また、学習マニフェストとコードの公開は正式な採択を前提としている。