'मास्टर चेहरे' जो 40% से अधिक फेशियल आईडी प्रमाणीकरण प्रणालियों को बायपास कर सकते हैं

इज़राइल के शोधकर्ताओं ने एक तंत्रिका नेटवर्क विकसित किया है जो 'मास्टर' चेहरे - चेहरे की छवियां उत्पन्न करने में सक्षम है जो कई आईडी का प्रतिरूपण करने में सक्षम हैं। कार्य से पता चलता है कि तीन प्रमुख चेहरा पहचान प्रणालियों के माध्यम से स्टाइलगैन जेनरेटिव एडवरसैरियल नेटवर्क (जीएएन) द्वारा संश्लेषित केवल 40 चेहरों का उपयोग करके 9% से अधिक आबादी के लिए ऐसी 'मास्टर कुंजी' उत्पन्न करना संभव है।

RSI काग़ज़ तेल अवीव में ब्लावाटनिक स्कूल ऑफ कंप्यूटर साइंस और इलेक्ट्रिकल इंजीनियरिंग स्कूल के बीच एक सहयोग है।

सिस्टम का परीक्षण करते हुए, शोधकर्ताओं ने पाया कि एक एकल निर्मित चेहरा मैसाचुसेट्स विश्वविद्यालय के जंगली में लेबल किए गए चेहरों की सभी पहचानों में से 20% को अनलॉक कर सकता है (एलएफडब्ल्यू) ओपन सोर्स डेटाबेस, फेशियल आईडी सिस्टम के विकास और परीक्षण के लिए उपयोग किया जाने वाला एक सामान्य भंडार, और इज़राइली प्रणाली के लिए बेंचमार्क डेटाबेस।

इज़राइली सिस्टम वर्कफ़्लो, जो 'मास्टर चेहरों' की खोज के लिए स्टाइलगैन जनरेटर का उपयोग करता है। स्रोत: https://arxiv.org/pdf/2108.01077.pdf

नई पद्धति में भी इसी तरह सुधार किया गया है हाल ही में कागज सिएना विश्वविद्यालय से, जिसके लिए मशीन लर्निंग ढांचे तक विशेषाधिकार प्राप्त स्तर की पहुंच की आवश्यकता होती है। इसके विपरीत, नई विधि सार्वजनिक रूप से उपलब्ध सामग्री से सामान्यीकृत विशेषताओं का अनुमान लगाती है और इसका उपयोग चेहरे की विशेषताओं को बनाने के लिए करती है जो बड़ी संख्या में पहचानों को प्रभावित करती हैं।

विकसित हो रहे मास्टर चेहरे

स्टाइलगन शुरुआत में इस दृष्टिकोण का उपयोग ब्लैक बॉक्स अनुकूलन विधि के तहत उच्च आयामी डेटा पर ध्यान केंद्रित करने (आश्चर्यजनक रूप से) के तहत किया जाता है, क्योंकि सबसे व्यापक और सबसे सामान्यीकृत चेहरे की विशेषताओं को ढूंढना महत्वपूर्ण है जो प्रमाणीकरण प्रणाली को संतुष्ट करेगा।

इस प्रक्रिया को फिर उन पहचानों को शामिल करने के लिए दोहराया जाता है जिन्हें प्रारंभिक पास में एन्कोड नहीं किया गया था। अलग-अलग परीक्षण स्थितियों में, शोधकर्ताओं ने पाया कि केवल नौ उत्पन्न छवियों के साथ 40-60% प्रमाणीकरण प्राप्त करना संभव था।

एलएम-एमए-ईएस सहित विभिन्न कवरेज खोज विधियों में अनुसंधान में प्राप्त 'मास्टर चेहरों' के क्रमिक समूह। प्रत्येक छवि के नीचे मीन सेट कवरेज (एमएससी, सटीकता के लिए एक मीट्रिक) नोट किया गया है।

सिस्टम एक तंत्रिका भविष्यवक्ता के साथ मिलकर एक विकासवादी एल्गोरिदम का उपयोग करता है जो पिछले पास में उत्पन्न उम्मीदवारों के पी-प्रतिशत से बेहतर सामान्यीकरण करने के लिए वर्तमान 'उम्मीदवार' की संभावना का अनुमान लगाता है।

इज़राइली प्रणाली की वास्तुकला में उत्पन्न उम्मीदवारों को फ़िल्टर करना।

एलएम-एमए-ईएस

प्रोजेक्ट लिमिटेड-मेमोरी मैट्रिक्स अनुकूलन का उपयोग करता है (एलएम-एमए-ईएस) स्वचालित एल्गोरिदम डिज़ाइन के लिए मशीन लर्निंग पर अनुसंधान समूह के नेतृत्व में 2017 की पहल के लिए एल्गोरिदम विकसित किया गया, एक दृष्टिकोण जो उच्च-आयामी ब्लैक बॉक्स अनुकूलन के लिए उपयुक्त है।

एलएम-एमए-ईएस उम्मीदवारों को यादृच्छिक रूप से आउटपुट करता है। यद्यपि यह परियोजना के उद्देश्य के लिए उपयुक्त है, यह पता लगाने के लिए एक अतिरिक्त घटक की आवश्यकता है कि कौन से चेहरे क्रॉस-आइडेंटिटी प्रमाणीकरण के लिए सबसे अच्छे उम्मीदवार हैं। इसलिए शोधकर्ताओं ने कार्य के लिए सबसे उपयुक्त चेहरों में उम्मीदवारों की बाढ़ को छांटने के लिए एक 'सक्सेस प्रिडिक्टर' न्यूरल क्लासिफायरियर बनाया।

इज़राइली चेहरे की पहचान स्पूफिंग परियोजना में उपयोग किए गए सक्सेस प्रिडिक्टर का औचित्य।

मूल्यांकन

सिस्टम का परीक्षण तीन सीएनएन-आधारित फेस डिस्क्रिप्टर के विरुद्ध किया गया था: गोलाकार चेहरा, फेसनेट और दिलीब, प्रत्येक सिस्टम आर्किटेक्चर में एक समानता मीट्रिक और एक हानि फ़ंक्शन होता है, जो सिस्टम के सटीकता स्कोर को मान्य करने में उपयोगी होता है।

सक्सेस प्रिडिक्टर एक है फ़ीड-फ़ॉरवर्ड तंत्रिका नेटवर्क जिसमें तीन पूरी तरह से जुड़ी हुई परतें शामिल हैं। इनमें से पहला प्रयोग बैचनॉर्म नियमितीकरण सक्रियण से पहले डेटा की एकरूपता सुनिश्चित करने के लिए। नेटवर्क का उपयोग करता है एडम 0.001 इनपुट छवियों के बैचों में 32 की महत्वाकांक्षी सीखने की दर के साथ, अनुकूलक के रूप में।

तीन आर्किटेक्चर से आउटपुट।

परीक्षण किए गए सभी तीन एल्गोरिदम को पांच बीजों के एक ही सेट का उपयोग करके 26,400 फिटनेस फ़ंक्शन कॉल के लिए प्रशिक्षित किया गया था।

शोधकर्ताओं ने इस बिंदु से यह स्थापित किया था कि लंबी प्रशिक्षण प्रक्रियाओं से सिस्टम को कोई लाभ नहीं होता है; प्रभावी रूप से, इज़राइली दृष्टिकोण मॉडल प्रशिक्षण के प्रारंभिक चरण से महत्वपूर्ण डेटा प्राप्त करने की कोशिश कर रहा है, जहां अभी तक केवल उच्चतम विशेषताओं को ही समझा गया है। यह ध्यान देने योग्य है कि ढांचागत अर्थव्यवस्था के संदर्भ में यह एक उपहार है।

फेसबुक के पायथन-आधारित के साथ आधारभूत परिणाम स्थापित करने के बाद नेवरग्रैड ग्रेडिएंट-मुक्त अनुकूलन वातावरण में, सिस्टम को विभिन्न ब्रांडों सहित कई एल्गोरिदम के विरुद्ध प्रोफाइल किया गया था विभेदक विकास अनुमानी

शोधकर्ताओं ने पाया कि Dlib पर आधारित एक 'लालची' दृष्टिकोण ने अपने प्रतिद्वंद्वियों से बेहतर प्रदर्शन किया, जिससे नौ मास्टर चेहरे बनाने में सफलता मिली जो 42% -64% परीक्षण डेटासेट को अनलॉक करने में सक्षम थे। सिस्टम के सक्सेस प्रिडिक्टर के अनुप्रयोग ने इन अत्यंत अनुकूल परिणामों को और बेहतर बना दिया।

पेपर का तर्क है कि 'चेहरा आधारित प्रमाणीकरण बेहद असुरक्षित है, भले ही लक्ष्य की पहचान के बारे में कोई जानकारी न हो', और शोधकर्ता उनकी पहल को चेहरे की पहचान प्रणालियों के लिए सुरक्षा घुसपैठ पद्धति के लिए एक वैध दृष्टिकोण मानते हैं।