рд╕рд╛рдЗрдмрд░ рд╕реБрд░рдХреНрд╖рд╛
‘рдорд╛рд╕реНрдЯрд░ рдлреЗрд╕’ рдЬреЛ 40% рд╕реЗ рдЕрдзрд┐рдХ рдлреЗрд╕рд┐рдпрд▓ рдЖрдИрдбреА рдкреНрд░рдорд╛рдгреАрдХрд░рдг рдкреНрд░рдгрд╛рд▓рд┐рдпреЛрдВ рдХреЛ рдмрд╛рдпрдкрд╛рд╕ рдХрд░ рд╕рдХрддреЗ рд╣реИрдВ
इज़राइल के शोधकर्ताओं ने एक न्यूरल नेटवर्क विकसित किया है जो ‘मास्टर’ फेस – चेहरे की छवियों को उत्पन्न करने में सक्षम है जो प्रत्येक कई आईडी की नकल कर सकते हैं। इस काम से पता चलता है कि यह संभव है कि स्टाइलजीएन जेनरेटिव एडवर्सेरियल नेटवर्क (GAN) द्वारा सिंथेसाइज़ किए गए केवल 9 चेहरों का उपयोग करके 40% से अधिक आबादी के लिए ऐसे ‘मास्टर की’ को उत्पन्न करना संभव है, तीन प्रमुख चेहरे पहचान प्रणालियों के माध्यम से।
इस पेपर में तेल अवीव के ब्लावाटनिक स्कूल ऑफ कंप्यूटर साइंस और इलेक्ट्रिकल इंजीनियरिंग स्कूल के बीच सहयोग है।
सिस्टम का परीक्षण करते समय, शोधकर्ताओं ने पाया कि एक एकल उत्पन्न चेहरा यूनिवर्सिटी ऑफ मैसाचुसेट्स के लेबल्ड फेस इन द वाइल्ड ( LFW ) ओपन सोर्स डेटाबेस में सभी पहचानों का 20% अनलॉक कर सकता है, जो फेसियल आईडी सिस्टम के विकास और परीक्षण के लिए एक सामान्य भंडार है, और इज़राइली प्रणाली के लिए बेंचमार्क डेटाबेस है।
इज़राइली प्रणाली का कार्यप्रवाह, जो ‘मास्टर फेस’ को खोजने के लिए स्टाइलजीएन जनरेटर का उपयोग करता है। स्रोत: https://arxiv.org/pdf/2108.01077.pdf
इस नई विधि में एक समान हाल के पेपर से सुधार किया गया है, जो सिएना विश्वविद्यालय से है, जिसमें मशीन लर्निंग फ्रेमवर्क तक विशेषाधिकार प्राप्त पहुंच की आवश्यकता होती है। इसके विपरीत, नई विधि सार्वजनिक रूप से उपलब्ध सामग्री से सामान्य विशेषताओं को推測 करती है और चेहरे की विशेषताओं को बनाने के लिए इसका उपयोग करती है जो एक विशाल संख्या में पहचानों को पार कर सकती हैं।
मास्टर फेस का विकास
स्टाइलजीएन का उपयोग इस दृष्टिकोण में उच्च आयामी डेटा पर केंद्रित ब्लैक बॉक्स ऑप्टिमाइजेशन विधि के तहत किया जाता है, क्योंकि यह महत्वपूर्ण है कि प्रमाणीकरण प्रणाली को संतुष्ट करने के लिए सबसे व्यापक और सबसे सामान्य चेहरे की विशेषताओं को खोजना है।
इस प्रक्रिया को तब दोहराया जाता है ताकि उन पहचानों को शामिल किया जा सके जो प्रारंभिक पास में एन्कोड नहीं की गई थीं। विभिन्न परीक्षण स्थितियों में, शोधकर्ताओं ने पाया कि केवल नौ उत्पन्न छवियों के साथ 40-60% के लिए प्रमाणीकरण प्राप्त करना संभव था।
विभिन्न कवरेज खोज विधियों में से एक, एलएम-एमए-ईएस सहित, शोध में प्राप्त ‘मास्टर फेस’ के समूह। मीन सेट कवरेज (MSC, सटीकता के लिए एक मेट्रिक) प्रत्येक छवि के नीचे नोट किया गया है।
प्रणाली एक विकासवादी अल्गोरिथ्म का उपयोग करती है जो एक न्यूरल प्रेडिक्टर के साथ जुड़ा हुआ है जो वर्तमान ‘उम्मीदवार’ को पिछले पास में उत्पन्न उम्मीदवारों के पी-प्रतिशत से बेहतर सामान्यीकरण करने की संभावना का अनुमान लगाता है।
इज़राइली प्रणाली की वास्तुकला में उत्पन्न उम्मीदवारों का फिल्टरिंग。
एलएम-एमए-ईएस
परियोजना में लिमिटेड-मेमोरी मैट्रिक्स एडैप्टेशन (एलएम-एमए-ईएस) अल्गोरिथ्म का उपयोग किया जाता है, जो 2017 में मशीन लर्निंग फॉर ऑटोमेटेड अल्गोरिथ्म डिज़ाइन पर शोध समूह द्वारा नेतृत्व वाली एक पहल के लिए विकसित किया गया था, जो उच्च-आयामी ब्लैक बॉक्स ऑप्टिमाइजेशन के लिए उपयुक्त है।
एलएम-एमए-ईएस यादृच्छिक रूप से उम्मीदवारों का आउटपुट करता है। हालांकि यह परियोजना के उद्देश्य के लिए उपयुक्त है, एक अतिरिक्त घटक की आवश्यकता है ताकि यह निर्धारित किया जा सके कि कौन से चेहरे क्रॉस-आईडी प्रमाणीकरण के लिए सबसे अच्छे उम्मीदवार हैं। इसलिए, शोधकर्ताओं ने ‘सक्सेस प्रेडिक्टर’ न्यूरल क्लासिफायर बनाया ताकि उम्मीदवारों की बाढ़ को सबसे अच्छे फिट चेहरों में छाना जा सके।
इज़राइली चेहरे पहचान प्रणाली में उपयोग किए जाने वाले सक्सेस प्रेडिक्टर का तर्क。
मूल्यांकन
प्रणाली का परीक्षण तीन सीएनएन-आधारित चेहरे विवरणकारियों के खिलाफ किया गया था: स्फियरफेस, फेसनेट और डिलिब, प्रत्येक प्रणाली वास्तुकला में एक समानता मेट्रिक और एक हानि फंक्शन शामिल है, जो प्रणाली की सटीकता स्कोर को मान्य करने में उपयोगी हैं।
सक्सेस प्रेडिक्टर एक फीड-फॉरवर्ड न्यूरल नेटवर्क है जिसमें तीन पूरी तरह से जुड़े हुए परतें हैं। पहली परत बैचनॉर्म रेगुलराइजेशन का उपयोग करती है ताकि एक्टिवेशन से पहले डेटा की स्थिरता सुनिश्चित की जा सके। नेटवर्क एडम का उपयोग ऑप्टिमाइज़र के रूप में करता है, 32 इनपुट छवियों के बैचों पर 0.001 की एक महत्वाकांक्षी लर्निंग दर के साथ।
तीन वास्तुकलाओं से आउटपुट。
तीनों अल्गोरिथ्म का परीक्षण किया गया था और 26,400 फिटनेस फंक्शन कॉल का उपयोग करके प्रशिक्षित किया गया था, जिसमें पांच बीज का एक ही सेट था।
शोधकर्ताओं ने इस बिंदु पर स्थापित किया था कि लंबे प्रशिक्षण प्रक्रियाएं प्रणाली को लाभ नहीं पहुंचाती हैं; प्रभावी रूप से, इज़राइली दृष्टिकोण प्रारंभिक मॉडल प्रशिक्षण के चरण से महत्वपूर्ण डेटा को प्राप्त करने की कोशिश कर रहा है, जहां केवल उच्चतम विशेषताएं ही अभी तक निर्धारित की गई हैं। यह ध्यान देने योग्य है कि यह एक प्रकार का फ्रेमवर्क अर्थव्यवस्था का उपहार है।
फेसबुक के पाइथन-आधारित नेवरग्राड ग्रेडिएंट-मुक्त ऑप्टिमाइजेशन वातावरण के साथ बेसलाइन परिणाम स्थापित करने के बाद, प्रणाली को विभिन्न अल्गोरिथ्म के खिलाफ प्रोफाइल किया गया था, जिसमें डिफरेंशियल इवोल्यूशन ह्यूरिस्टिक के विभिन्न ब्रांड शामिल थे।
शोधकर्ताओं ने पाया कि डिलिब पर आधारित एक ‘लालची’ दृष्टिकोण अपने प्रतिस्पर्धियों को बेहतर बनाया, जो नौ मास्टर फेस बनाने में सफल रहा, जो 42%-64% परीक्षण डेटासेट को अनलॉक कर सकता था। प्रणाली के सक्सेस प्रेडिक्टर के आवेदन ने इन बहुत ही अनुकूल परिणामों में और सुधार किया।
पेपर में यह तर्क दिया गया है कि ‘चेहरे आधारित प्रमाणीकरण बहुत ही कमजोर है, भले ही लक्ष्य पहचान पर कोई जानकारी न हो’, और शोधकर्ता अपनी पहल को चेहरे पहचान प्रणालियों के लिए एक सुरक्षा आक्रमण विधि के रूप में एक वैध दृष्टिकोण मानते हैं।
