‘Mästeransikten’ Som Kan Kringgå Över 40% Av Ansikts-ID-Authentiseringssystem

Forskare från Israel har utvecklat ett neuronnätverk som kan generera ‘mäster’-ansikten – ansiktsbilder som var och en kan imitera flera ID. Arbetet tyder på att det är möjligt att generera sådana ‘mäster nycklar’ för mer än 40% av befolkningen med hjälp av endast 9 ansikten som syntetiserats av StyleGAN Generative Adversarial Network (GAN), via tre ledande ansiktsigenkänningsystem.

Den artikeln är ett samarbete mellan Blavatnik School of Computer Science och skolan för elektroteknik, båda vid Tel Aviv.

När systemet testades fann forskarna att en enda genererad ansiktsbild kunde låsa upp 20% av alla identiteter i University of Massachusetts’ Labeled Faces in the Wild (LFW) öppna källkods-databas, en vanlig repository som används för utveckling och testning av ansikts-ID-system, och benchmark-databasen för det israeliska systemet.

Det israeliska systemets arbetsflöde, som använder StyleGAN-genereringen för att iterativt söka efter ‘mästeransikten’. Källa: https://arxiv.org/pdf/2108.01077.pdf

Den nya metoden förbättrar en liknande nylig artikel från University of Siena, som kräver en privilegerad åtkomstnivå till maskinlärningsramverket. I kontrast till det nya förfarandet, härleds generella funktioner från offentligt tillgängligt material och används för att skapa ansiktsdrag som sträcker sig över ett stort antal identiteter.

Utveckling av Mästeransikten

StyleGAN används initialt i detta tillvägagångssätt under en svart låda-optimeringsmetod med fokus (inte oväntat) på högdimensionella data, eftersom det är viktigt att hitta de bredaste och mest generella ansiktsfunktionerna som kommer att tillfredsställa ett autentiseringssystem.

Denna process upprepas sedan iterativt för att omfatta identiteter som inte kodades i den första passagen. I varierande testförhållanden fann forskarna att det var möjligt att erhålla autentisering för 40-60% med endast nio genererade bilder.

Succesiva grupper av ‘mästeransikten’ som erhållits i forskningen över olika Sökmetoder för Täckning, inklusive LM-MA-ES. Den genomsnittliga uppsättningstäckningen (MSC, en måttstock för noggrannhet) noteras under varje bild.

Systemet använder en evolutionär algoritm kopplad till en neural förutsägare som uppskattar sannolikheten för att den aktuella ‘kandidaten’ ska generalisera bättre än p-percentilen av kandidater som genererats i tidigare pass.

Filtreringen av genererade kandidater i den israeliska systemets arkitektur.

LM-MA-ES

Projektet använder Limited-Memory Matrix Adaptation (LM-MA-ES) algoritmen som utvecklats för en 2017-initiativ ledd av Forskningsgruppen för maskinlärning för automatiserad algoritm design, en metod som är väl lämpad för högdimensionell svart låda-optimering.

LM-MA-ES genererar kandidater slumpmässigt. Även om detta är väl lämpat för projektets syfte, behövs en ytterligare komponent för att avgöra vilka ansikten som är de bästa kandidaterna för cross-identitetsautentisering. Därför skapade forskarna en ‘Success Predictor’ neural klassificerare för att sila den stora mängden kandidater till de bästa passande ansiktena för uppgiften.

Rationale för Success Predictor som används i det israeliska ansiktsidentifieringsprojektet.

Utvärdering

Systemet testades mot tre CNN-baserade ansiktsbeskrivare: SphereFace, FaceNet och Dlib, varje systemarkitektur innehåller en likhetsmått och en förlustfunktion, som är användbara för att validera systemets noggrannhetsscore.

Success Predictor är ett feed-forward neural network som består av tre fullständigt anslutna lager. Det första av dessa använder BatchNorm reguljering för att säkerställa datakonsekvens före aktivering. Nätverket använder ADAM som optimerare, med en ambitiös inlärningshastighet på 0,001 över batcher av 32 inmatningsbilder.

Utdata från de tre arkitekturerna.

Alla tre algoritmer som testades tränades under 26 400 fitnessfunktionsanrop med samma uppsättning av fem frön.

Forskarna hade etablerat vid den här punkten att längre träningsprocesser inte gynnade systemet; effektivt sett är det israeliska tillvägagångssättet på att härleda nyckeldata från ett tidigt skede av modellträning, där endast de högsta funktionerna har ännu upptäckts. Det är värt att notera att detta är en sorts gåva, i termer av ramverksekonomi.

Efter att ha etablerat baslinjeresultat med Facebooks Python-baserade NeverGrad gradientfri optimeringsmiljö, profilerades systemet mot ett antal algoritmer, inklusive olika varumärken av Differential Evolution heuristik.

Forskarna fann att en ‘girig’ metod baserad på Dlib överträffade sina konkurrenter, och lyckades skapa nio mästeransikten som kunde låsa upp 42-64% av testdatabasen. Tillämpning av systemets Success Predictor förbättrade dessa mycket fördelaktiga resultat ytterligare.

Artikeln hävdar att ‘ansiktsbaserad autentisering är extremt sårbar, även om det inte finns någon information om målidentiteten’, och forskarna anser att deras initiativ är en giltig metod för en säkerhetsintrångsmetodik för ansiktsigenkänningsystem.