‘Ustalık Yüzleri’ Yüz Tanıma Sistemlerinin %40’ından Fazlasını Atlatabilir

İsrail’den araştırmacılar, birden fazla kimliği taklit edebilen ‘ustalık yüzleri’ oluşturabilen bir sinir ağı geliştirdiler. Çalışma, StyleGAN Generative Adversarial Network (GAN) tarafından sentezlenen yalnızca 9 yüz kullanarak, populationun %40’ından fazlası için böyle ‘anahtarlar’ oluşturmanın mümkün olduğunu öne sürüyor.

Makale, Tel Aviv’deki Blavatnik Bilgisayar Bilimi Okulu ve Elektrik Mühendisliği Okulu arasındaki bir işbirliği sonucu ortaya çıktı.

Sistemi test eden araştırmacılar, tek bir oluşturulan yüzün, University of Massachusetts’in Labeled Faces in the Wild (LFW) açık kaynak veritabanındaki tüm kimliklerin %20’sini kilitleyebileceğini buldular. Bu, facial ID sistemlerinin geliştirilmesi ve test edilmesi için yaygın olarak kullanılan bir depodur ve İsrail sisteminin benchmark veritabanıdır.

İsrail sisteminin iş akışı, StyleGAN üreticisini ‘ustalık yüzleri’ aramak için yinelemeli olarak kullanan. Kaynak: https://arxiv.org/pdf/2108.01077.pdf

Yeni yöntem, benzer bir son makale‘den daha iyidir. Bu makale, makine öğrenimi çerçevesine özel bir erişim seviyesi gerektirir. Yeni yöntem, kamuya açık materyallerden genel özellikler çıkarır ve bunları çok sayıda kimliği kapsayan yüz özellikleri oluşturmak için kullanır.

Ustalık Yüzlerinin Evrimi

Bu yaklaşımda StyleGAN başlangıçta siyah kutu optimizasyon yöntemi altında kullanılır. Yüksek boyutlu verilerde en geniş ve en genel yüz özellikleri bulmak önemlidir.

Bu işlem, ilk geçişte kodlanmayan kimlikleri kapsamak için yinelemeli olarak tekrarlanır. Değişken test koşullarında, araştırmacılar yalnızca dokuz oluşturulan görüntü ile %40-60 arasında kimlik doğrulaması elde edilebileceğini buldular.

Araştırmada, çeşitli Kapsam Arama yöntemleri dahil olmak üzere LM-MA-ES kullanarak elde edilen ardışık ‘ustalık yüzleri’ grupları. Her görüntünün altında Ortalama Küme Kapsamı (MSC, bir doğruluk ölçütü) not edilir.

Sistem, mevcut ‘aday’nın önceki geçişlerde oluşturulan adayların p-persentilinden daha iyi genellemesine ilişkin olasılığı tahmin eden bir nöral predictor ile birlikte bir evrim algoritması kullanır.

İsrail sisteminin mimarisindeki oluşturulan adayların filtrelenmesi.

LM-MA-ES

Proje, 2017 yılında Makine Öğrenimi için Otomatik Algoritma Tasarımı Makine Öğrenimi Araştırma Grubu liderliğindeki bir girişimle geliştirilen Limited-Memory Matrix Adaptation (LM-MA-ES) algoritmasını kullanır.

LM-MA-ES, adayları rastgele üretir. Bu, projenin amacına uygun olsa da, en iyi adayları belirlemek için ek bir bileşen gerekir. Araştırmacılar, görev için en uygun yüzleri ayırmak için bir ‘Başarı Tahmin Edici’ nöral sınıflandırıcı oluşturdular.

İsrail yüz tanıma sistemi girişiminde kullanılan Başarı Tahmin Edici’nin gerekçesi.

Değerlendirme

Sistem, üç CNN tabanlı yüz tanımlayıcı ile test edildi: SphereFace, FaceNet ve Dlib. Her sistem mimarisi, bir benzerlik ölçütü ve bir kayıp fonksiyonu içerir.

Başarı Tahmin Edici, üç tam bağlantılı katmandan oluşan bir feed-forward nöral ağdır. İlk katman, aktivasyon öncesi veri tutarlılığını sağlamak için BatchNorm düzenleme kullanır. Ağ, 0.001 öğrenme hızıyla 32 girdi görüntüsü partileri üzerinden ADAM optimizatörünü kullanır.

Üç mimarinin çıktısı.

Tüm üç algoritma, aynı beş tohum kümesi kullanılarak 26.400 fitness fonksiyonu çağrısı için eğitildi.

Araştırmacılar, daha uzun eğitim süreçlerinin sisteme fayda sağlamadığını belirlediler. İsrail yaklaşımı, model eğitiminin erken bir aşamasında yalnızca en yüksek özelliklerin henüz belirlendiği ana veri çıkarmayı amaçlıyor.

Araştırmacılar, Facebook’un Python tabanlı NeverGrad gradyan-free optimizasyon ortamı ile temel sonuçlar elde ettiler. Sistem, çeşitli Differential Evolution heuristic dahil olmak üzere birçok algoritma ile karşılaştırıldı.

Araştırmacılar, Dlib tabanlı bir ‘açgözlü’ yaklaşımın rakiplerini geride bıraktığını ve %42-64 arasında test veri kümesini kilitleyebilen dokuz ‘ustalık yüzü’ oluşturabildiğini buldular. Sistemin Başarı Tahmin Edici’sinin uygulanması bu sonuçları daha da iyileştirdi.

Makale, ‘yüz tabanlı kimlik doğrulamanın, hedef kimlik hakkında bilgi olmasa bile son derece savunmasız’ olduğunu iddia ediyor ve araştırmacılar, girişimlerini yüz tanıma sistemleri için güvenlik ihlali metodolojisi olarak geçerli bir yaklaşım olarak görüyorlar.