‘Rostos Mestres’ Que Podem Contornar Mais de 40% Dos Sistemas de Autenticação de ID Facial

Pesquisadores de Israel desenvolveram uma rede neural capaz de gerar ‘rostos mestres’ – imagens faciais que são capazes de imitar múltiplas IDs. O trabalho sugere que é possível gerar tais ‘chaves mestres’ para mais de 40% da população usando apenas 9 faces sintetizadas pela StyleGAN Generative Adversarial Network (GAN), por meio de três sistemas de reconhecimento facial líderes.

O artigo é uma colaboração entre a Escola de Ciência da Computação Blavatnik e a Escola de Engenharia Elétrica, ambas em Tel Aviv.

Testando o sistema, os pesquisadores descobriram que uma única face gerada poderia desbloquear 20% de todas as identidades no banco de dados de código aberto Labeled Faces in the Wild (LFW) da Universidade de Massachusetts, um repositório comum usado para desenvolvimento e teste de sistemas de ID facial, e o banco de dados de referência para o sistema israelense.

O fluxo de trabalho do sistema israelense, que usa o gerador StyleGAN para buscar iterativamente ‘rostos mestres’. Fonte: https://arxiv.org/pdf/2108.01077.pdf

O novo método melhora um artigo recente da Universidade de Siena, que requer um nível de acesso privilegiado ao framework de aprendizado de máquina. Em contraste, o novo método infere recursos generalizados a partir de material publicamente disponível e os usa para criar características faciais que abrangem um vasto número de identidades.

Rostos Mestres Evoluindo

O StyleGAN é inicialmente usado nessa abordagem sob um método de otimização de caixa preta focado (não surpreendentemente) em dados de alta dimensionalidade, pois é importante encontrar os recursos faciais mais amplos e generalizados que satisfarão um sistema de autenticação.

Esse processo é então repetido iterativamente para abranger identidades que não foram codificadas na primeira passagem. Em condições de teste variadas, os pesquisadores descobriram que era possível obter autenticação para 40-60% com apenas nove imagens geradas.

Grupos sucessivos de ‘rostos mestres’ obtidos na pesquisa em várias métodos de busca de cobertura, incluindo LM-MA-ES. A Cobertura Média do Conjunto (MSC, uma métrica de precisão) é anotada sob cada imagem.

O sistema usa um algoritmo evolutivo acoplado a um preditor neural que estima a probabilidade do ‘candidato’ atual generalizar melhor do que o p-percentil dos candidatos gerados em passagens anteriores.

A filtragem de candidatos gerados na arquitetura do sistema israelense.

LM-MA-ES

O projeto usa o algoritmo Limited-Memory Matrix Adaptation (LM-MA-ES) desenvolvido para uma iniciativa de 2017 liderada pelo Grupo de Pesquisa em Aprendizado de Máquina para Design de Algoritmos Automatizados, uma abordagem que é bem adequada para otimização de caixa preta de alta dimensionalidade.

O LM-MA-ES produz candidatos aleatoriamente. Embora isso seja adequado para o intento do projeto, um componente adicional é necessário para deduzir quais faces são os melhores candidatos para autenticação de identidade cruzada. Portanto, os pesquisadores criaram um ‘Preditor de Sucesso’ classificador neural para separar a enxurrada de candidatos nos melhores rostos para a tarefa.

Raciocínio do Preditor de Sucesso usado no projeto de spoofing de identificação facial israelense.

Avaliação

O sistema foi testado contra três descritores faciais baseados em CNN: SphereFace, FaceNet e Dlib, cada arquitetura de sistema contendo uma métrica de similaridade e uma função de perda, que são úteis para validar as pontuações de precisão do sistema.

O Preditor de Sucesso é uma rede neural feed-forward composta por três camadas totalmente conectadas. A primeira delas usa BatchNorm regularização para garantir a consistência dos dados antes da ativação. A rede usa ADAM como otimizador, com uma taxa de aprendizado ambiciosa de 0,001 sobre lotes de 32 imagens de entrada.

Saída das três arquiteturas.

Todos os três algoritmos testados foram treinados por 26.400 chamadas de função de aptidão usando o mesmo conjunto de cinco sementes.

Os pesquisadores haviam estabelecido nesse ponto que processos de treinamento mais longos não beneficiavam o sistema; efetivamente, a abordagem israelense está buscando derivar dados-chave de uma etapa inicial de treinamento do modelo, onde apenas os recursos mais altos foram discernidos. Vale notar que isso é algo de um presente, em termos de economia de estrutura.

Depois de estabelecer resultados de referência com o ambiente de otimização sem gradiente NeverGrad do Facebook, o sistema foi perfilado contra vários algoritmos, incluindo várias marcas do heurística de Evolução Diferencial.

Os pesquisadores descobriram que uma abordagem ‘gananciosa’ baseada no Dlib superou seus concorrentes, conseguindo criar nove ‘rostos mestres’ capazes de desbloquear 42%-64% do conjunto de dados de teste. A aplicação do Preditor de Sucesso do sistema melhorou ainda mais esses resultados muito favoráveis.

O artigo afirma que ‘a autenticação baseada em face é extremamente vulnerável, mesmo que não haja informações sobre a identidade alvo’, e os pesquisadores consideram sua iniciativa uma abordagem válida para uma metodologia de incursão de segurança para sistemas de reconhecimento facial.