‘Usta Yüzler’ Yüz Tanıma Kimlik Doğrulama Sistemlerinin %40’ından Fazlasını Atlayabilir

İsrail’den araştırmacılar, birden fazla kimliği taklit edebilecek ‘usta’ yüzler – yüz görüntüleri oluşturabilen bir sinir ağı geliştirdiler. Çalışma, StyleGAN Generative Adversarial Network (GAN) tarafından sentezlenen yalnızca 9 yüz kullanılarak, nüfusun %40’ından fazlası için böyle ‘usta anahtarlar’ oluşturulabileceğini öne sürüyor. üç lider yüz tanıma sistemi aracılığıyla.

Makale, Tel Aviv’deki Blavatnik Bilgisayar Bilimi Okulu ve Elektrik Mühendisliği Okulu arasındaki bir işbirliğidir.

Sistemi test ederken, araştırmacılar, tek bir oluşturulan yüzün, University of Massachusetts’in Labeled Faces in the Wild (LFW) açık kaynak veritabanındaki tüm kimliklerin %20’sini kilidini açabileceğini buldular. yüz tanıma sistemlerinin geliştirilmesi ve test edilmesi için ortak olarak kullanılan bir depo ve İsrail sistemi için referans veritabanı.

İsrail sistemi iş akışı, StyleGAN üreticisini ‘usta yüzler’ için yinelemeli olarak aramaya kullanıyor. Kaynak: https://arxiv.org/pdf/2108.01077.pdf

Yeni yöntem, University of Siena’dan benzer bir son makale‘ye göre bir iyileştirme sunuyor. daha önce makine öğrenimi çerçevesine özel bir erişim seviyesi gerektiriyordu. Yeni yöntem, kamu olarak erişilebilen materyallerden genelleştirilmiş özellikler çıkarır ve bunları çok sayıda kimliği kapsayan yüz özelliklerini oluşturmak için kullanır.

Usta Yüzlerin Evrimi

StyleGAN bu yaklaşımda ilk olarak siyah kutu optimizasyon yöntemi altında kullanılır (bekleneceği gibi) yüksek boyutlu veriler üzerinde, çünkü geniş ve genelleştirilmiş yüz özelliklerini bulmak önemlidir. kimlik doğrulama sistemini memnun edecek.

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

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

Sistem, bir nöral predictor ile birleştirilmiş bir evrimsel algoritma kullanır. bu, geçerli ‘aday’ın, önceki geçişlerde oluşturulan adayların p-persentilinden daha iyi genelleme olasılığını tahmin eder.

İsrail sistemi mimarisinde oluşturulan adayların filtrelenmesi.

LM-MA-ES

Proje, 2017’de Makine Öğrenimi için Otomatik Algoritma Tasarımı Araştırma Grubu tarafından yürütülen bir girişimle geliştirilen Limited-Memory Matrix Adaptation (LM-MA-ES) algoritmasını kullanır. bu, yüksek boyutlu siyah kutu optimizasyonuna uygun bir yaklaşımdır.

LM-MA-ES, adayları rastgele çıktırır. Bu, projenin amacına uygun olsa da, çapraz kimlik doğrulaması için en iyi aday yüzleri çıkarmak için ek bir bileşen gerekir. Bu nedenle araştırmacılar, görev için en uygun yüzleri süzmek için ‘Başarı Tahmin Edici’ nöral bir sınıflandırıcı oluşturdular.

İsrail yüz tanıma sahtecilik projesinde 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. bunlar, sistemin doğruluk puanlarını doğrulamak için yararlıdır.

Başarı Tahmin Edici, üç tam bağlantılı katmandan oluşan bir ileri beslemeli nöral ağ‘dır. Bunlardan ilki, aktivasyonundan önce veri tutarlılığını sağlamak için BatchNorm düzenleme‘sini kullanır. Ağ, ADAM‘ı 32 girdi görüntüsünden oluşan partiler üzerinden 0.001’lik bir öğrenme oranıyla optimize edici olarak 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 bu noktada belirlediler. esasen İsrail yaklaşımı, model eğitiminin erken bir aşamasında, yalnızca en yüksek özelliklerin henüz belirlendiği yerde ana verileri çıkarmaya çalışıyor. Bu, çerçeve ekonomisi açısından bir tür hediyedir.

Facebook’un Python tabanlı NeverGrad gradient-free optimizasyon ortamının temel sonuçlarını belirledikten sonra, sistem çeşitli algoritmalarla karşılaştırıldı. Bunlar arasında çeşitli Differential Evolution heuristiği bulunuyordu.

Araştırmacılar, Dlib tabanlı bir ‘açgözlü’ yaklaşımın rakiplerini geride bıraktığını ve dokuz ‘usta yüz’ oluşturarak test veri kümesinin %42-64’ünü başarıyla kilidini açabildiğini buldular. Sistemin Başarı Tahmin Edici’sinin uygulanması bu çok olumlu sonuçları daha da iyileştirdi.

Makale, ‘yüz tabanlı kimlik doğrulamanın cực derece savunmasız olduğunu, hatta hedef kimlik hakkında hiçbir bilgi olmasa bile’ iddia ediyor ve araştırmacılar girişimlerini yüz tanıma sistemleri için bir güvenlik ihlali metodolojisi yaklaşımı olarak kabul ediyor.