深層畳み込みニューラルネットワーク（DCNN）は、ほとんどのコンピュータビジョン関連のタスクで最も広く使用される解決策となり、顔認証がその中でも重要な応用シーンの一つとなっています。高精度な性能により、推論段階がインターネットを介してクラウドプラットフォーム上で行われる深層顔認証モデルは、多くの実践的な場面で重要な役割を果たしています。しかし、2つの重要な問題が存在します。第一に、個人情報の保護が十分に行われない可能性があります。これは、ユーザーが個人写真や他のプライベート情報をオンラインクラウドバックエンドにアップロードしなければならないためです。第二に、学習段階も推論段階も時間のかかるプロセスであり、特にインターネット接続速度が安定していない場合や移動体通信の受信状況が良好でない遠隔地だけでなく、建物や他の構造物によって移動体信号が遮断される都市部でも遅延が顧客体験に影響を与える可能性があります。したがって、低メモリ要件と低計算コストを持つ軽量ネットワークを設計することは、モバイルプラットフォームでの顔認証において最も実用的な解決策の一つです。本論文では、モバイルデバイス向けの顔認識を効率的に展開するための新しいモバイルネットワーク「SeesawFaceNets」を提案します。これは単純ながら効果的なモデルです。多数の実験結果から、提案されたモデルSeesawFaceNetsはベースラインとなるMobilefaceNetsよりも優れた性能を示しており、計算コストは{\bf66\%}（146M 対 221M MAdds）、バッチサイズも小さく、学習ステップ数も少ないことが確認されました。さらに、SeesawFaceNetsはパラメータ数{\bf54.2\%}（1.3M 対 2.4M）、計算コスト{\bf31.6\%}（146M 対 462M MAdds）という点で他の最先端モデルmobifaceと比較しても同等以上の性能を達成しています。また、5つの公開検証データセットすべてにおいて大規模な深層ネットワークによる顔認識に対して最終的に競争力のある結果を示しており、パラメータ数は{\bf6.5\%}（4.2M 対 65M）、計算コストは{\bf4.35\%}（526M 対 12G MAdds）となっています。