มุมมองของ Anderson
‘หน้า_master’ ที่สามารถหลบหลีกการรับรองตัวตนแบบใบหน้าได้มากกว่า 40%
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google
นักวิจัยจากอิสราเอลได้พัฒนาเครือข่ายประสาทเทียมที่สามารถสร้าง ‘หน้า_master’ – ภาพใบหน้าที่สามารถปลอมตัวเป็นหลายๆ ใบหน้าได้ ผลงานนี้ชี้ให้เห็นว่ามันเป็นไปได้ที่จะสร้าง ‘คีย์_master’ สำหรับมากกว่า 40% ของประชากรโดยใช้เพียง 9 ใบหน้าที่สังเคราะห์โดย StyleGAN Generative Adversarial Network (GAN) ผ่านระบบการรับรองใบหน้าสามระบบหลัก
เอกสารวิจัย นี้ เป็นการร่วมมือระหว่างโรงเรียนคอมพิวเตอร์ Blavatnik และโรงเรียนวิศวกรรมไฟฟ้า ทั้งสองแห่งอยู่ที่ Tel Aviv
การทดสอบระบบ นักวิจัยพบว่าหน้า_master เดียวสามารถปลดล็อกได้ 20% ของทั้งหมดที่อยู่ในฐานข้อมูล Labeled Faces in the Wild (LFW) ซึ่งเป็นแหล่งข้อมูลที่ใช้ในการพัฒนาและทดสอบระบบการรับรองใบหน้า
การทำงานของระบบอิสราเอล ซึ่งใช้ StyleGAN generator เพื่อค้นหา ‘หน้า_master’ Source: https://arxiv.org/pdf/2108.01077.pdf
วิธีการใหม่นี้มีการปรับปรุงจากเอกสารวิจัย ล่าสุด จากมหาวิทยาลัย Siena ซึ่งต้องการระดับการเข้าถึงแบบพิเศษของเฟรมเวิร์กการเรียนรู้ของเครื่อง ในทางกลับกัน วิธีการใหม่นี้ใช้ข้อมูลที่มีอยู่ในระดับสาธารณะและใช้ในการสร้างลักษณะใบหน้าที่สามารถปลอมตัวเป็นหลายๆ ใบหน้าได้
หน้า_master ที่กำลังพัฒนา
StyleGAN ถูกใช้ในวิธีการนี้ภายใต้วิธีการเพิ่มประสิทธิภาพแบบกล่องดำ โดยมุ่งเน้นไปที่ข้อมูลที่มีระดับสูง เนื่องจากเป็นสิ่งสำคัญที่จะต้องค้นหาลักษณะใบหน้าที่กว้างและทั่วไปที่สุดซึ่งจะตอบสนองระบบการรับรองใบหน้า
กระบวนการนี้ถูกทำซ้ำอย่างต่อเนื่องเพื่อรวมถึงอัตลักษณ์ที่ไม่ได้ถูกเข้ารหัสในครั้งแรก นักวิจัยพบว่าสามารถรับอนุญาตให้เข้าถึงได้ 40-60% โดยใช้เพียง 9 รูปภาพที่สังเคราะห์
กลุ่ม ‘หน้า_master’ ที่ได้รับจากงานวิจัยโดยใช้วิธีการ Coverage Search ต่างๆ รวมถึง LM-MA-ES
ระบบใช้แอลกอริทึมแบบวิวัฒนาการที่จับคู่กับเครื่องทำนายประสิทธิภาพที่ประมาณการความน่าจะเป็นของ ‘ผู้สมัคร’ ที่จะตอบสนองระบบการรับรองใบหน้าได้ดีกว่า ‘ผู้สมัคร’ ในช่วงก่อนหน้า
การกรองผู้สมัครที่สร้างขึ้นในระบบอิสราเอล
LM-MA-ES
โครงการนี้ใช้แอลกอริทึม Limited-Memory Matrix Adaptation (LM-MA-ES) ซึ่งพัฒนาในปี 2017 โดยกลุ่มวิจัยการเรียนรู้ของเครื่องสำหรับการออกแบบอัลกอริทึมแบบอัตโนมัติ
LM-MA-ES สร้างผู้สมัครแบบสุ่ม แต่สิ่งนี้ไม่เหมาะสมกับวัตถุประสงค์ของโครงการ ดังนั้น นักวิจัยจึงสร้าง ‘ตัวทำนายความสำเร็จ’ เพื่อกรองผู้สมัครที่ดีที่สุดสำหรับการรับรองใบหน้า
เหตุผลของตัวทำนายความสำเร็จที่ใช้ในโครงการการรับรองใบหน้าของอิสราเอล
การประเมิน
ระบบถูกทดสอบกับระบบการรับรองใบหน้าสามระบบ: SphereFace, FaceNet และ Dlib
ตัวทำนายความสำเร็จเป็นเครือข่ายประสาทเทียมแบบ feed-forward ที่มีสามชั้น ชั้นแรกใช้ BatchNorm regularization เพื่อให้แน่ใจว่าข้อมูลมีความสม่ำเสมอ ก่อนที่จะถูกกระตุ้นให้ทำงาน
ผลลัพธ์จากสามวิธีการ
ทั้งสามวิธีการถูกฝึกฝนเป็นเวลา 26,400 ครั้ง โดยใช้เซ็ดเดียวกัน
นักวิจัยพบว่าการฝึกฝนเป็นเวลานานขึ้นไม่ได้ให้ผลลัพธ์ที่ดีกว่า ดังนั้น วิธีการของอิสราเอลจึงมุ่งเน้นไปที่การหาข้อมูลที่สำคัญในระยะแรกของการฝึกฝน
ระบบถูกทดสอบกับวิธีการอื่นๆ รวมถึงวิธีการ Differential Evolution
นักวิจัยพบว่าวิธีการ ‘贪婪’ ที่ใช้ Dlib มีประสิทธิภาพสูงสุด โดยสามารถสร้างหน้า_master ได้ 9 ใบหน้าที่สามารถปลดล็อกได้ 42%-64% ของชุดข้อมูลทดสอบ
เอกสารวิจัยระบุว่าการรับรองตัวตนแบบใบหน้าเป็นระบบที่อ่อนแอมาก แม้ว่าจะไม่มีข้อมูลเกี่ยวกับอัตลักษณ์เป้าหมายก็ตาม นักวิจัยจึงมองว่าวิธีการของตนเป็นวิธีการที่มีประสิทธิภาพในการรับรองตัวตนแบบใบหน้า
