Ekhmm ... no están inversamente relacionados. Están directamente relacionados: cuando uno aumenta el otro también:
70% | 0.01%
90% | 1%
70% < 90% and 0.01% < 1%
Esta es realmente una pregunta de aprendizaje automático. La tasa de aceptación falsa es un falso positivo . En otras palabras, es la posibilidad de que alguien al azar verifique su huella dactilar como otra persona.
Suponiendo que Bob es una persona autorizada cuyas huellas dactilares hemos cargado en nuestro sistema biométrico. Ahora, podemos ajustar los parámetros de nuestro sensor biométrico para verificar si Bob es Bob usando su huella digital. Si ajustamos el sensor para que sea muy exigente (el umbral de aceptación es bajo), Bob tendrá un 77% de posibilidades de verificar que está en el primer intento. Si ahora Eve intenta hacerse pasar por Bob a través de este sistema tan delicado, solo tiene un 0.01% de probabilidad de que sus huellas dactilares sean reconocidas como las de Bob en su primer intento.
Cuando disminuimos la "delicadeza" del sensor (tenemos un umbral de aceptación mayor), Bob podrá verificar que él mismo es más fácil: tendrá un 90% de probabilidades de que el sensor concluya que es Bob basado en sus huellas dactilares (en el primer intento). Por otro lado, en este sistema menos exigente, Eve tiene una mayor oportunidad de hacerse pasar por Bob: en su primer intento de leer sus huellas dactilares, existe una posibilidad del 1% de que el sensor concluya que las huellas dactilares de Eve son en realidad las de Bob (y autorizar a Eve). como si ella fuera Bob).
Cualquier sistema de aprendizaje automático que tenga un parámetro de umbral de aceptación funcionará de la manera anterior. En ML siempre tendrás:
- verdaderos negativos: las huellas dactilares de un impostor no son de Bob
- verdaderos positivos: las huellas digitales de Bob son de Bob
- falsos negativos: las huellas digitales de Bob no son de Bob
- falsos positivos: se concluye que las huellas dactilares de un impostor son de Bob
El sistema ML perfecto daría solo verdaderos positivos y verdaderos negativos, pero no funciona así. Hay ruido y el ruido requerirá algún umbral de aceptación. Un sensor que no tendría un umbral de aceptación solo proporcionaría verdaderos negativos y falsos negativos. Pero eso sería completamente inútil porque nadie estaría autorizado a hacer nada.
Un umbral de aceptación es una cantidad de diferencia que se permite entre las huellas digitales almacenadas en la base de datos y las leídas por el sensor (y procesadas por el sistema ML). Hacer este umbral más grande aumenta el número de verdaderos positivos y falsos positivos (recuerde que sin el umbral solo tendríamos verdaderos negativos y falsos negativos).
En el contexto del artículo "probabilidad de verificación" es la cantidad de verdaderos positivos , y "tasa de aceptación falsa" es la cantidad de falsos positivos .