Fețe Master care pot ocoli peste 40% din sistemele de autentificare facială

Cercetători din Israel au dezvoltat o rețea neurală capabilă să genereze “fețe master” – imagini faciale care pot impersona multiple identități. Lucrarea sugerează că este posibil să se genereze astfel de “chei master” pentru mai mult de 40% din populație, utilizând doar 9 fețe sintetizate de rețeaua generativă StyleGAN, prin trei sisteme de recunoaștere facială de top.

Articolul este o colaborare între Școala de Informatică Blavatnik și școala de inginerie electrică, ambele de la Tel Aviv.

La testarea sistemului, cercetătorii au constatat că o singură față generată poate debloca 20% din toate identitățile din baza de date deschisă Labeled Faces in the Wild (LFW) a Universității din Massachusetts, o repository comună utilizată pentru dezvoltarea și testarea sistemelor de autentificare facială, și baza de date de referință pentru sistemul israelian.

Fluxul de lucru al sistemului israelian, care utilizează generatorul StyleGAN pentru a căuta iterativ ‘fețe master’. Source: https://arxiv.org/pdf/2108.01077.pdf

Metoda nouă îmbunătățește o lucrare similară recentă de la Universitatea din Siena, care necesită un nivel de acces privilegiat la framework-ul de învățare automată. În schimb, noua metodă inferă caracteristici generalizate din materialul disponibil public și le utilizează pentru a crea caracteristici faciale care se întind pe un număr vast de identități.

Fețe Master Evoluate

StyleGAN este utilizat inițial în această abordare sub o metodă de optimizare a cutiei negre, concentrându-se (nu surprinzător) pe date de înaltă dimensiune, deoarece este important să se găsească caracteristici faciale cele mai generalizate și mai largi care vor satisface un sistem de autentificare.

Acest proces este apoi repetat iterativ pentru a cuprinde identitățile care nu au fost codificate în trecerea inițială. În condiții de test variate, cercetătorii au constatat că este posibil să se obțină autentificarea pentru 40-60% cu doar nouă imagini generate.

Grupuri succesive de ‘fețe master’ obținute în cercetare prin diverse metode de căutare a acoperirii, inclusiv LM-MA-ES. Acoperirea medie a setului (MSC, o metrică pentru precizie) este notată sub fiecare imagine.

Sistemul utilizează un algoritm evolutiv cuplat cu un predictor neural care estimează probabilitatea ca “candidatul” curent să se generalizeze mai bine decât percentilele p ale candidaților generați în trecerile anterioare.

Filtrarea candidaților generați în arhitectura sistemului israelian.

LM-MA-ES

Proiectul utilizează algoritmul Limited-Memory Matrix Adaptation (LM-MA-ES) dezvoltat pentru o inițiativă din 2017 condusă de Grupul de cercetare pentru proiectarea algoritmilor automatizați, o abordare care se potrivește bine pentru optimizarea cutiei negre de înaltă dimensiune.

LM-MA-ES produce candidați aleatoriu. Deși acest lucru se potrivește bine cu intenția proiectului, este necesar un component suplimentar pentru a deduce care fețe sunt cele mai bune candidat pentru autentificarea trans-identitară. Prin urmare, cercetătorii au creat un “Predictor de Succes” clasificator neural pentru a separa valul de candidați în fețele cele mai potrivite pentru sarcină.

Raționamentul Predictorului de Succes utilizat în proiectul israelian de spoofing facial.

Evaluare

Sistemul a fost testat împotriva a trei descriptori faciale bazate pe CNN: SphereFace, FaceNet și Dlib, fiecare arhitectură de sistem conținând o metrică de similaritate și o funcție de pierdere, care sunt utile în validarea scorurilor de precizie ale sistemului.

Predictorul de Succes este o rețea neurală feed-forward care cuprinde trei straturi complet conectate. Primul dintre acestea utilizează reglarea BatchNorm pentru a asigura consistența datelor înainte de activare. Rețeaua utilizează ADAM ca optimizer, cu o rată de învățare ambițioasă de 0,001 pe loturi de 32 de imagini de intrare.

Ieșiri din cele trei arhitecturi.

Toate cele trei algoritmi testate au fost antrenați pentru 26.400 de apeluri ale funcției de fitness, utilizând același set de cinci semințe.

Cercetătorii au stabilit până la acest punct că procesele de antrenare mai lungi nu au beneficiat sistemul; în esență, abordarea israeliană caută să deriveze date cheie dintr-o etapă timpurie a antrenării modelului, în care doar caracteristicile de nivel superior au fost încă discernute. Este demn de remarcat că acesta este un fel de dar, în ceea ce privește economia cadrului.

După ce au stabilit rezultate de referință cu mediul de optimizare fără gradient NeverGrad de la Facebook, sistemul a fost profilat împotriva unor algoritmi, inclusiv diverse mărci ale heuristicii Evoluției Diferențiale.

Cercetătorii au constatat că o abordare “lacomă” bazată pe Dlib a depășit competitorii, reușind să creeze nouă fețe master capabile să deblocheze 42%-64% din setul de test. Aplicarea Predictorului de Succes al sistemului a îmbunătățit și mai mult aceste rezultate foarte favorabile.

Articolul susține că “autentificarea bazată pe față este extrem de vulnerabilă, chiar și în absența oricăror informații despre identitatea țintă”, și cercetătorii consideră inițiativa lor o abordare valabilă pentru o metodologie de incursiune de securitate pentru sistemele de recunoaștere facială.