Die Verwendung synthetischer Daten für das Training neuronaler Netze hat in letzter Zeit zunehmend an Bedeutung gewonnen, insbesondere im Bereich der Gesichtserkennung. Dies wurde vor allem durch die zunehmenden datenschutzrechtlichen, ethischen und rechtlichen Bedenken hinsichtlich der Verwendung von datenschutzsensiblen authentischen Daten zum Training von Gesichtserkennungsmodellen motiviert. Viele authentische Datensätze wie MS-Celeb-1M oder VGGFace2, die häufig zum Trainieren von hochmodernen Deep-Face-Recognition-Modellen verwendet wurden, wurden zurückgezogen und werden offiziell nicht mehr gepflegt oder von offiziellen Quellen zur Verfügung gestellt, da sie oft ohne ausdrückliche Zustimmung gesammelt wurden. Zu diesem Zweck schlagen wir zunächst einen Ansatz zur Erzeugung synthetischer Gesichter, SFace, vor, der ein klassenbedingtes generatives adversariales Netzwerk zur Erzeugung klassenmarkierter synthetischer Gesichtsbilder verwendet. Um den Datenschutzaspekt der Verwendung solcher synthetischen Daten bei der Entwicklung der Gesichtserkennung zu bewerten, führen wir eine umfassende Bewertung der Identitätsbeziehung zwischen dem generierten synthetischen Datensatz und dem authentischen Originaldatensatz durch, der zum Training des generativen Modells verwendet wird. Die Untersuchung hat gezeigt, dass es kaum möglich ist, den authentischen Datensatz mit dem Datensatz mit demselben Klassenlabel im synthetischen Datensatz zu identifizieren, was die Möglichkeit eines datenschutzfreundlichen Gesichtserkennungstrainings stärkt. Wir schlagen dann drei verschiedene Lernstrategien vor, um das Gesichtserkennungsmodell auf unserem datenschutzfreundlichen Datensatz SFace zu trainieren, und berichten über die Ergebnisse auf fünf authentischen Benchmarks, die das hohe Potenzial des Modells demonstrieren. Da die Identitätsunterscheidung in SFace relativ gering ist (im Vergleich zu authentischen Daten), analysierten wir zunächst den w-Raum des Klassenbedingungsgenerators und fanden Identitätsinformationen, die stark mit denen im Einbettungsraum korreliert sind. Auf der Grundlage dieser Erkenntnisse haben wir einen Ansatz vorgeschlagen, der die Stichprobenziehung im w-Raum durchführt, um Daten mit höherer Identitätsunterscheidung zu generieren (SFace2). Unsere Experimente zeigten die Entflechtung des latenten w-Raums und den Nutzen des Trainings von Gesichtserkennungsmodellen auf dem stärker identitätsdiskriminierten synthetischen Datensatz SFace2.