‘मास्टर फेस’ जो 40% से अधिक फेसियल आईडी प्रमाणीकरण प्रणालियों को बायपास कर सकते हैं

इज़राइल के शोधकर्ताओं ने एक न्यूरल नेटवर्क विकसित किया है जो ‘मास्टर’ चेहरों का उत्पादन करने में सक्षम है – चेहरे की छवियां जो प्रत्येक कई आईडी की नकल कर सकती हैं। यह काम सुझाव देता है कि यह संभव है कि 40% से अधिक आबादी के लिए ऐसे ‘मास्टर कुंजी’ उत्पन्न करने के लिए केवल 9 चेहरों का संश्लेषण स्टाइलजीएन जेनरेटिव एडवर्सेरियल नेटवर्क (GAN) के माध्यम से तीन प्रमुख चेहरे पहचान प्रणालियों का उपयोग किया जा सकता है।

यह पेपर ब्लावाटनिक स्कूल ऑफ कंप्यूटर साइंस और इलेक्ट्रिकल इंजीनियरिंग स्कूल, दोनों तेल अवीव में एक 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 चेहरे की पहचान प्रणालियों के विकास और परीक्षण के लिए एक सामान्य भंडार है, और इज़राइली प्रणाली के लिए बेंचमार्क डेटाबेस है।

इज़राइली प्रणाली का कार्य प्रवाह, जो ‘मास्टर चेहरों’ को खोजने के लिए स्टाइलजीएन जनरेटर का उपयोग करता है। स्रोत: https://arxiv.org/pdf/2108.01077.pdf

यह नया तरीका एक समान हाल के पेपर से बेहतर है जो सिएना विश्वविद्यालय से है, जिसमें मशीन लर्निंग फ्रेमवर्क तक विशेषाधिकार प्राप्त पहुंच की आवश्यकता होती है। इसके विपरीत, नया तरीका सार्वजनिक रूप से उपलब्ध सामग्री से सामान्य विशेषताओं को निर्धारित करता है और चेहरे की विशेषताओं को बनाने के लिए इसका उपयोग करता है जो व्यापक संख्या में पहचानों को पार कर सकती हैं।

विकसित मास्टर चेहरे

स्टाइलजीएन का उपयोग इस दृष्टिकोण में किया जाता है जो उच्च आयामी डेटा पर केंद्रित 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% प्रमाणीकरण प्राप्त करना संभव था।

विभिन्न कवरेज खोज विधियों में शोध में प्राप्त ‘मास्टर चेहरों’ के लगातार समूह, जिनमें एलएम-एमए-ईएस शामिल है। प्रत्येक छवि के नीचे मीन सेट कवरेज (एमएससी, सटीकता के लिए एक मेट्रिक) नोट किया गया है।

प्रणाली एक विकासवादी एल्गोरिदम 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 एडाप्टेशन (एलएम-एमए-ईएस) एल्गोरिदम का उपयोग किया जाता है, जो 2017 की एक पहल के लिए विकसित किया गया था, जिसका नेतृत्व मशीन लर्निंग फॉर ऑटोमेटेड अल्गोरिदम डिज़ाइन पर शोध समूह ने किया था, जो उच्च आयामी ब्लैक बॉक्स अनुकूलन के लिए उपयुक्त है।

एलएम-एमए-ईएस यादृच्छिक रूप से उम्मीदवारों का उत्पादन 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-आइडेंटिटी प्रमाणीकरण के लिए सबसे अच्छे उम्मीदवार हैं। इसलिए, शोधकर्ताओं ने एक ‘सक्सेस प्रेडिक्टर’ न्यूरल क्लासिफायर बनाया ताकि उम्मीदवारों को सबसे अच्छे फिट चेहरों में छानने के लिए उपयोग किया जा सके।

इज़राइली चेहरे पहचान प्रणाली के लिए सफलता 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।

सफलता प्रेडिक्टर एक फीड-फॉरवर्ड न्यूरल नेटवर्क है जिसमें तीन पूरी तरह से जुड़े हुए परतें हैं। इनमें से पहली परत डेटा की एकरूपता सुनिश्चित करने के लिए बैचनॉर्म नियमितीकरण का उपयोग करती है। नेटवर्क एडम को ऑप्टिमाइज़र के रूप में उपयोग करता है, जिसमें 32 इनपुट छवियों के बैचों पर 0.001 की एक महत्वाकांक्षी सीखने की दर है।

तीन वास्तुकलाओं के आउटपुट।

तीनों एल्गोरिदम का परीक्षण किया गया था जो 26,400 फिटनेस फंक्शन कॉल के लिए प्रशिक्षित किए गए थे, जिसमें पांच बीज का उपयोग किया गया था।

शोधकर्ताओं ने इस बिंदु पर स्थापित किया था कि लंबे प्रशिक्षण प्रक्रियाएं प्रणाली को लाभ नहीं पहुंचाती हैं; प्रभावी रूप से, इज़राइली दृष्टिको मॉडल प्रशिक्षण के प्रारंभिक चरण से महत्वपूर्ण डेटा निकालने की कोशिश कर रहा है, जहां केवल उच्चतम विशेषताएं अभी तक निर्धारित की गई हैं। यह ध्यान देने योग्य है कि यह एक प्रकार की फ्रेमवर्क अर्थव्यवस्था है।

फेसबुक के पाइथन-आधारित नेवरग्राड ग्रेडिएंट-मुक्त अनुकूलन वातावरण के साथ बेसलाइन परिणाम स्थापित करने के बाद, प्रणाली का मूल्यांकन विभिन्न एल्गोरिदम के खिलाफ किया गया था, जिसमें डिफरेंशियल इवोल्यूशन ह्यूरिस्टिक के विभिन्न ब्रांड शामिल थे।

शोधकर्ताओं ने पाया कि डिलिब पर आधारित एक ‘लालची’ दृष्टिकोण प्रतियोगियों को बेहतर प्रदर्शन किया, जो नौ मास्टर चेहरों का निर्माण करने में सफल रहा जो परीक्षण डेटासेट का 42%-64% अनलॉक कर सकता था। प्रणाली के सफलता प्रेडिक्टर के आवेदन ने इन बहुत ही अनुकूल परिणामों में और सुधार किया।

पेपर का तर्क है कि ‘चेहरे आधारित प्रमाणीकरण बहुत ही कमजोर है, यहां तक कि यदि लक्ष्य पहचान पर कोई जानकारी नहीं है’, और शोधकर्ता अपनी पहल को चेहरे की पहचान प्रणालियों के लिए एक सुरक्षा आक्रमण विधि के रूप में एक वैध दृष्टिकोण मानते हैं।