‘Volti Master’ Che Possono Bypassare Oltre Il 40% Dei Sistemi Di Autenticazione Faciale

I ricercatori di Israele hanno sviluppato una rete neurale in grado di generare ‘volti master’ – immagini facciali che possono impersonare più identità. Il lavoro suggerisce che sia possibile generare tali ‘chiavi master’ per più del 40% della popolazione utilizzando solo 9 volti sintetizzati dalla rete generativa antagonista StyleGAN, tramite tre sistemi di riconoscimento facciale leader.

Il documento è una collaborazione tra la Scuola di Informatica Blavatnik e la Scuola di Ingegneria Elettrica, entrambe a Tel Aviv.

Testando il sistema, i ricercatori hanno scoperto che un singolo volto generato poteva sbloccare il 20% di tutte le identità nel database open source Labeled Faces in the Wild (LFW) dell’Università del Massachusetts, un repository comune utilizzato per lo sviluppo e il test dei sistemi di autenticazione facciale, e il database di riferimento per il sistema israeliano.

Il flusso di lavoro del sistema israeliano, che utilizza il generatore StyleGAN per cercare iterativamente ‘volti master’. Fonte: https://arxiv.org/pdf/2108.01077.pdf

Il nuovo metodo migliora un documento recente dell’Università di Siena, che richiede un accesso privilegiato al framework di apprendimento automatico. Al contrario, il nuovo metodo inferisce caratteristiche generalizzate da materiali pubblicamente disponibili e le utilizza per creare caratteristiche facciali che si estendono su un vasto numero di identità.

Volti Master Evoluti

StyleGAN viene utilizzato inizialmente in questo approccio con un metodo di ottimizzazione black box che si concentra (non sorprendentemente) su dati ad alta dimensionalità, poiché è importante trovare le caratteristiche facciali più ampie e generalizzate che soddisferanno un sistema di autenticazione.

Questo processo viene quindi ripetuto iterativamente per comprendere identità che non erano state codificate nel passaggio iniziale. In condizioni di test variate, i ricercatori hanno scoperto che era possibile ottenere l’autenticazione per il 40-60% con solo nove immagini generate.

Gruppi successivi di ‘volti master’ ottenuti nella ricerca attraverso vari metodi di ricerca di copertura, tra cui LM-MA-ES. La copertura media del set (MSC, una metrica per l’accuratezza) è annotata sotto ogni immagine.

Il sistema utilizza un algoritmo evolutivo accoppiato con un predittore neurale che stima la probabilità che il ‘candidato’ attuale si generalizzi meglio del p-percentile dei candidati generati nei passaggi precedenti.

La filtrazione dei candidati generati nell’architettura del sistema israeliano.

LM-MA-ES

Il progetto utilizza l’algoritmo Limited-Memory Matrix Adaptation (LM-MA-ES) sviluppato per un’iniziativa del 2017 guidata dal Gruppo di Ricerca sull’Apprendimento Automatico per la Progettazione di Algoritmi, un approccio ben adatto all’ottimizzazione black box ad alta dimensionalità.

LM-MA-ES produce candidati in modo casuale. Sebbene ciò sia adatto all’intento del progetto, è necessario un componente aggiuntivo per dedurre quali volti siano i migliori candidati per l’autenticazione cross-identità. Pertanto, i ricercatori hanno creato un ‘Predittore di Successo’ classificatore neurale per setacciare i candidati e selezionare i volti più adatti al compito.

Ragione del Predittore di Successo utilizzato nel progetto di spoofing di identificazione facciale israeliano.

Valutazione

Il sistema è stato testato contro tre descrittori facciali basati su CNN: SphereFace, FaceNet e Dlib, ciascun sistema di architettura contenente una metrica di similarità e una funzione di perdita, che sono utili per convalidare i punteggi di accuratezza del sistema.

Il Predittore di Successo è una rete neurale feed-forward composta da tre strati completamente connessi. Il primo di questi utilizza la regolarizzazione BatchNorm per garantire la coerenza dei dati prima dell’attivazione. La rete utilizza ADAM come ottimizzatore, con un tasso di apprendimento ambizioso di 0,001 su batch di 32 immagini di input.

Output dalle tre architetture.

Tutti e tre gli algoritmi testati sono stati addestrati per 26.400 chiamate alla funzione di fitness utilizzando lo stesso set di cinque semi.

I ricercatori avevano stabilito a questo punto che processi di addestramento più lunghi non beneficiavano il sistema; effettivamente, l’approccio israeliano sta cercando di derivare dati chiave da una fase iniziale dell’addestramento del modello, dove solo le caratteristiche più elevate sono state ancora discernute. Vale la pena notare che questo è un vantaggio, in termini di economia del framework.

Aver stabilito risultati di base con l’ambiente di ottimizzazione gradient-free NeverGrad di Facebook, il sistema è stato profilato contro una serie di algoritmi, tra cui vari marchi dell’euristico Differential Evolution.

I ricercatori hanno scoperto che un approccio ‘avidità’ basato su Dlib ha superato i suoi concorrenti, riuscendo a creare nove volti master in grado di sbloccare il 42%-64% del set di dati di test. L’applicazione del Predittore di Successo del sistema ha ulteriormente migliorato questi risultati molto favorevoli.

Il documento afferma che ‘l’autenticazione basata sul volto è estremamente vulnerabile, anche se non ci sono informazioni sull’identità del bersaglio’, e i ricercatori considerano la loro iniziativa un approccio valido alla metodologia di incursione della sicurezza per i sistemi di riconoscimento facciale.