‘Mesteransigter’, der kan omgå over 40% af ansigts-ID-godkendelsessystemer

Forskere fra Israel har udviklet et neuralt netværk, der kan generere ‘mester’-ansigter – ansigtsbilleder, der hver kan efterligne multiple ID’er. Arbejdet viser, at det er muligt at generere sådanne ‘mester-nøgler’ for over 40% af befolkningen ved hjælp af kun 9 ansigter syntetiseret af StyleGAN Generative Adversarial Network (GAN) gennem tre førende ansigtsgenkendelsessystemer.

Papiret er et samarbejde mellem Blavatnik School of Computer Science og skolen for Electrical Engineering, begge på Tel Aviv.

Under testningen fandt forskerne, at en enkelt genereret ansigt kunne låse op for 20% af alle ID’er i University of Massachusetts’ Labeled Faces in the Wild (LFW) open source-database, en fælles repository brugt til udvikling og test af ansigts-ID-systemer, og benchmark-databasen for det israelske system.

Det israelske systems workflow, der bruger StyleGAN-generatoren til at iterativt søge efter ‘mesteransigter’. Kilde: https://arxiv.org/pdf/2108.01077.pdf

Den nye metode forbedrer en lignende nyere papir fra University of Siena, der kræver en privilegeret adgang til maskinlæringsrammen. I modsætning hertil inférerer den nye metode generaliserede funktioner fra offentligt tilgængeligt materiale og bruger det til at skabe ansigtstræk, der overskærer en stor mængde ID’er.

Udvikling af mesteransigter

StyleGAN bruges først i denne tilgang under en black box-optimierungsmetode, der fokuserer (ikke overraskende) på højdimensional data, da det er vigtigt at finde de bredeste og mest generaliserede ansigtstræk, der vil tilfredsstille et godkendelsessystem.

Denne proces gentages derefter iterativt for at omfatte ID’er, der ikke blev kodet i den første omgang. Under varierende testbetingelser fandt forskerne, at det var muligt at opnå godkendelse for 40-60% med kun ni genererede billeder.

Successive grupper af ‘mesteransigter’ opnået i forskningen over forskellige dækningssøgemetoder, herunder LM-MA-ES. Den gennemsnitlige sæt-dækning (MSC, en målestok for nøjagtighed) er noteret under hvert billede.

Systemet bruger en evolutionær algoritme kombineret med en neuralt predictor, der estimerer sandsynligheden for, at den nuværende ‘kandidat’ vil generalisere bedre end p-procentdelen af kandidater genereret i tidligere omgange.

Filtreringen af genererede kandidater i arkitekturen af det israelske system.

LM-MA-ES

Projektet bruger Limited-Memory Matrix Adaptation (LM-MA-ES)-algoritmen udviklet til en 2017-initiativ ledet af Research Group on Machine Learning for Automated Algorithm Design, en tilgang, der er velegnet til højdimensional black box-optimierung.

LM-MA-ES udgangskandidater tilfældigt. Selvom dette er velegnet til projektets formål, er der behov for en yderligere komponent for at slutte, hvilke ansigter er de bedste kandidater til cross-ID-godkendelse. Derfor skabte forskerne en ‘Success Predictor’-neuralt klassifikator til at sihle den store mængde kandidater ind i de bedst egnede ansigter til opgaven.

Rationale for Success Predictor brugt i det israelske ansigtsgenkendelsesspoofing-projekt.

Evaluering

Systemet blev testet mod tre CNN-baserede ansigtsbeskrivelser: SphereFace, FaceNet og Dlib, hvor hver systemarkitektur indeholder en lighedsmålestok og en tab-funktion, der er nyttige til at validere systemets nøjagtighedsscores.

Success Predictor er en feed-forward neural network bestående af tre fuldt forbundne lag. Det første af disse bruger BatchNorm regulering til at sikre konsistens af data før aktivering. Netværket bruger ADAM som optimizer, med en ambitiøs læringsrate på 0,001 over batches af 32 input-billeder.

Output fra de tre arkitekturer.

Alle tre algoritmer blev testet blev trænet i 26.400 fitness-funktionskald ved hjælp af samme sæt af fem frø.

Forskerne havde fastslået på dette tidspunkt, at længere træningsprocesser ikke gavnede systemet; effektivt søger den israelske tilgang at udlede nøgledata fra en tidlig fase af modeltræning, hvor kun de højeste funktioner endnu er blevet opdaget. Det er værd at bemærke, at dette er en slags gave, i forhold til rammeøkonomi.

Forskerne havde fastslået baseline-resultater med Facebooks Python-baserede NeverGrad gradient-fri optimieringsmiljø, blev systemet profileret mod en række algoritmer, herunder forskellige mærker af Differential Evolution heuristic.

Forskerne fandt, at en ‘grædig’ tilgang baseret på Dlib overgik dens konkurrenter, og lykkedes med at skabe ni mesteransigter, der kunne låse op for 42%-64% af testdatasset. Anvendelse af systemets Success Predictor forbedrede disse meget gunstige resultater yderligere.

Papiret påstår, at ‘ansigt-baseret godkendelse er ekstremt sårbar, selv hvis der ikke er nogen information om mål-ID’, og forskerne betragter deres initiativ som en gyldig tilgang til en sikkerhedsindtrængningsmetode for ansigtsgenkendelsessystemer.