一篇被 WACV 2027 接收的論文對大規模人臉識別訓練數據進行了受控審計，結果表明，即使是被廣泛使用、經過多輪清洗的 MS1MV3 數據集，仍然存在多類訓練數據缺陷，而不同類型缺陷的修正對模型訓練的影響差異顯著。該論文題為《Different Defects, Different Effects: A Controlled Audit of Face Recognition Training Data》（不同的缺陷，不同的影響：人臉識別訓練數據的受控審計），作者為 Ana Dias 及另外三位合作者，於 2026 年 10 月 20 日提交至 arXiv，編號 arXiv:2610.28766，屬於計算機視覺與模式識別（cs.CV）類別。
論文指出，人臉識別技術的發展在很大程度上依賴於大規模訓練數據集的可得性。其中，MS-Celeb-1M 發揮了重要作用，它提供了來自近 10 萬個身份的數百萬張人臉圖像。然而，這類數據集的規模與異質性也提高了標註錯誤、冗餘樣本以及其他形式數據不一致出現的可能性。正是出於這一原因，研究者引入了 MS1MV2 和 MS1MV3 等精煉版本，目標是提升訓練數據的質量。
但論文顯示，儘管經過了這些清洗工作，MS1MV3 中仍然殘留若干類型的訓練數據缺陷。作者提出了互補的數據審計策略，並據此識別出五個缺陷類別：完全重複與近重複圖像、身份被拆分（split identities）、裁剪錯誤、多臉歧義，以及無效內容。
在識別出缺陷之後，研究團隊在一個受控的人臉識別訓練協議下評估了修正這些缺陷所帶來的影響，該協議基於 IResNet-50 骨幹網絡與 ArcFace 損失函數。結果顯示，有針對性的干預措施能夠保持識別性能，在某些情況下甚至能夠提升性能，同時達到原始訓練集性能所需的優化步數更少。其中，去除重複樣本帶來了最明顯的整體收益；而合併被拆分的身份以及移除無效內容同樣提升了訓練效率。
論文總體結論認為，數據集清洗的效果在很大程度上取決於所針對的缺陷類型，這進一步説明訓練數據質量仍然是大規模人臉識別中一個重要且相對研究不足的因素。作者還表示，本工作所使用的訓練清單（training manifests）與代碼將在論文被接收後發佈。
從時間線看，該論文於 2026 年 10 月 20 日 18:04:27 UTC 提交第一版（v1），全文約 1792 KB，DOI 為 https://doi.org/10.48550/arXiv.2610.28766，由 DataCite 發放（註冊待完成）。論文已被 WACV 2027 接收。需要注意的是，摘要中所述結論均建立在作者設定的受控訓練協議與審計方法之上，具體性能變化幅度需參閲論文全文；訓練清單與代碼的公開也以正式接收為前提。