„Главни лица“ кои можат да заобиколат над 40% од системите за автентикација на лична карта

Истражувачите од Израел развија невронска мрежа способна да генерира „главни“ лица - слики од лица кои секоја може да имитира повеќе лични карти. Работата сугерира дека е можно да се генерираат такви „главни клучеви“ за повеќе од 40% од населението користејќи само 9 лица синтетизирани од StyleGAN Generative Adversarial Network (GAN), преку три водечки системи за препознавање лица.

на хартија е соработка помеѓу Факултетот за компјутерски науки Блаватник и училиштето за електротехника, двете во Тел Авив.

Тестирање на системот, истражувачите откриле дека едно генерирана лице може да отклучи 20% од сите идентитети во означените лица во дивината на Универзитетот во Масачусетс (LFW) база на податоци со отворен код, заедничко складиште што се користи за развој и тестирање на системи за идентификација на лицето, и репер база на податоци за израелскиот систем.

Работниот тек на израелскиот систем, кој го користи генераторот StyleGAN за итеративно да бара „главни лица“. Извор: https://arxiv.org/pdf/2108.01077.pdf

Новиот метод се подобрува на сличен неодамнешна хартија од Универзитетот во Сиена, што бара привилегирано ниво на пристап до рамката за машинско учење. Спротивно на тоа, новиот метод заклучува генерализирани карактеристики од јавно достапниот материјал и го користи за да создаде карактеристики на лицето кои опфаќаат огромен број идентитети.

Еволуирачки мајсторски лица

StyleGAN првично се користи во овој пристап според методот за оптимизација на црната кутија, фокусирајќи се (не изненадувачки) на податоци со високи димензии, бидејќи е важно да се најдат најшироки и најопшти карактеристики на лицето што ќе задоволат систем за автентикација.

Овој процес потоа се повторува итеративно за да ги опфати идентитетите кои не биле кодирани во почетната пропусница. Во различни услови за тестирање, истражувачите открија дека е можно да се добие автентикација за 40-60% со само девет генерирани слики.

Последователни групи на „главни лица“ добиени во истражувањето на различни методи за пребарување на покриеност, вклучително и LM-MA-ES. Покриеноста на средната група (MSC, метрика за точност) е забележана под секоја слика.

Системот користи еволутивен алгоритам поврзан со нервен предиктор кој ја проценува веројатноста тековниот „кандидат“ да се генерализира подобро од p-процентилот на кандидатите генериран во претходните успеси.

Филтрирање на генерираните кандидати во архитектурата на израелскиот систем.

ЛМ-МА-ЕС

Проектот користи адаптација на матрица со ограничена меморија (ЛМ-МА-ЕС) алгоритам развиен за иницијатива од 2017 година, предводена од Истражувачката група за машинско учење за автоматизиран дизајн на алгоритами, пристап кој е добро прилагоден за оптимизација на црните кутии со високи димензии.

LM-MA-ES ги прикажува кандидатите по случаен избор. Иако ова е добро прилагодено на намерата на проектот, потребна е дополнителна компонента за да се заклучи кои лица се најдобри кандидати за вкрстена автентикација на идентитетот. Затоа, истражувачите создадоа нервен класификатор „Предвидувач на успех“ за да ја пресеат поплавата од кандидати во лицата кои најдобро одговараат за задачата.

Образложение на успехот предвидувач користен во израелскиот проект за измама за идентификација на лице.

Евалуација

Системот беше тестиран против три дескриптори за лице базирани на CNN: SphereFace, FaceNet Длиб, секоја системска архитектура содржи метрика на сличност и функција на загуба, кои се корисни за потврдување на резултатите за точноста на системот.

Предвидувач на успех е а feed-forward невронска мрежа составен од три целосно поврзани слоеви. Првата од овие употреби Регулација на BatchNorm за да се обезбеди конзистентност на податоците пред активирањето. Мрежата користи ADAM како оптимизатор, со амбициозна стапка на учење од 0.001 во серии од 32 влезни слики.

Излез од трите архитектури.

Сите три тестирани алгоритми беа обучени за 26,400 повици за фитнес функции користејќи ист сет од пет семиња.

Истражувачите до овој момент утврдија дека подолгите процеси на обука не му користат на системот; ефективно, израелскиот пристап се обидува да изведе клучни податоци од раната фаза на обука на модели, каде што сè уште се забележани само највисоките карактеристики. Вреди да се напомене дека ова е нешто како подарок, во однос на рамковната економија.

Имајќи воспоставено основни резултати со Фејсбук базиран на Python Никогаш Град оптимизација без градиент, системот беше профилиран според голем број алгоритми, вклучувајќи различни брендови на Диференцијална еволуција хеуристички.

Истражувачите открија дека „алчниот“ пристап заснован на Dlib ги надмина своите конкуренти, успевајќи да создаде девет главни лица способни да отклучат 42%-64% од тест базата. Примената на Предикторот за успех на системот дополнително ги подобри овие многу поволни резултати.

Трудот тврди дека „автентикацијата базирана на лице е крајно ранлива, дури и ако нема информации за идентитетот на целта“, а истражувачите сметаат дека нивната иницијатива е валиден пристап кон методологијата за безбедносно упад за системи за препознавање лица.