'Khuôn mặt chính' có thể vượt qua hơn 40% hệ thống xác thực ID khuôn mặt

Các nhà nghiên cứu từ Israel đã phát triển một mạng lưới thần kinh có khả năng tạo ra các khuôn mặt 'chính chủ' – những hình ảnh khuôn mặt mà mỗi hình ảnh có khả năng mạo danh nhiều ID. Công trình cho thấy rằng có thể tạo ra các 'khóa chính' như vậy cho hơn 40% dân số chỉ sử dụng 9 khuôn mặt được tổng hợp bởi StyleGAN Generative Adversarial Network (GAN), thông qua ba hệ thống nhận dạng khuôn mặt hàng đầu.

Sản phẩm giấy là sự hợp tác giữa Trường Khoa học Máy tính Blavatnik và Trường Kỹ thuật Điện, cả hai đều ở Tel Aviv.

Thử nghiệm hệ thống, các nhà nghiên cứu phát hiện ra rằng một khuôn mặt được tạo duy nhất có thể mở khóa 20% tất cả các danh tính trong Khuôn mặt được dán nhãn trong tự nhiên của Đại học Massachusetts (LFW) cơ sở dữ liệu nguồn mở, một kho lưu trữ chung được sử dụng để phát triển và thử nghiệm các hệ thống ID khuôn mặt và cơ sở dữ liệu điểm chuẩn cho hệ thống của Israel.

Quy trình làm việc của hệ thống Israel, sử dụng trình tạo StyleGAN để tìm kiếm lặp đi lặp lại 'khuôn mặt chính'. Nguồn: https://arxiv.org/pdf/2108.01077.pdf

Phương pháp mới cải tiến trên một phương pháp tương tự bài báo gần đây từ Đại học Siena, nơi yêu cầu mức độ truy cập đặc quyền vào khung học máy. Ngược lại, phương pháp mới suy ra các đặc điểm tổng quát từ tài liệu có sẵn công khai và sử dụng nó để tạo ra các đặc điểm khuôn mặt phù hợp với nhiều danh tính.

Khuôn mặt chính đang phát triển

Phong cáchGAN ban đầu được sử dụng trong phương pháp này theo phương pháp tối ưu hóa hộp đen tập trung (không có gì ngạc nhiên) vào dữ liệu nhiều chiều, vì điều quan trọng là tìm ra các đặc điểm khuôn mặt rộng nhất và tổng quát nhất sẽ đáp ứng hệ thống xác thực.

Quá trình này sau đó được lặp đi lặp lại để bao gồm các danh tính không được mã hóa trong lần truyền đầu tiên. Trong các điều kiện thử nghiệm khác nhau, các nhà nghiên cứu nhận thấy rằng có thể xác thực được 40-60% chỉ với chín hình ảnh được tạo.

Các nhóm liên tiếp của 'khuôn mặt chính' thu được trong nghiên cứu trên các phương pháp Tìm kiếm Phạm vi khác nhau, bao gồm cả LM-MA-ES. Mức độ phù hợp của tập hợp trung bình (MSC, thước đo độ chính xác) được ghi chú dưới mỗi hình ảnh.

Hệ thống sử dụng một thuật toán tiến hóa kết hợp với một công cụ dự đoán thần kinh ước tính khả năng "ứng cử viên" hiện tại khái quát hóa tốt hơn so với phần trăm p của các ứng cử viên được tạo trong các lần trước.

Việc lọc các ứng viên được tạo ra trong kiến ​​trúc của hệ thống Israel.

LM-MA-ES

Dự án sử dụng Thích ứng ma trận bộ nhớ hạn chế (LM-MA-ES) được phát triển cho một sáng kiến ​​năm 2017 do Nhóm nghiên cứu về Máy học để thiết kế thuật toán tự động dẫn đầu, một phương pháp rất phù hợp để tối ưu hóa hộp đen chiều cao.

LM-MA-ES đưa ra các ứng cử viên một cách ngẫu nhiên. Mặc dù điều này rất phù hợp với mục đích của dự án, nhưng cần có một thành phần bổ sung để suy luận khuôn mặt nào là ứng cử viên tốt nhất cho xác thực danh tính chéo. Do đó, các nhà nghiên cứu đã tạo ra một bộ phân loại thần kinh 'Người dự đoán thành công' để sàng lọc vô số ứng viên thành những gương mặt phù hợp nhất cho nhiệm vụ.

Cơ sở lý luận của Công cụ dự đoán thành công được sử dụng trong dự án giả mạo nhận dạng khuôn mặt của Israel.

Đánh giá

Hệ thống đã được thử nghiệm dựa trên ba bộ mô tả khuôn mặt dựa trên CNN: mặt cầu, FaceNet và Dlib, mỗi kiến ​​trúc hệ thống chứa một chỉ số tương tự và hàm mất mát, hữu ích trong việc xác thực điểm số chính xác của hệ thống.

Dự đoán thành công là một mạng nơ-ron chuyển tiếp bao gồm ba lớp được kết nối đầy đủ. Việc đầu tiên của những sử dụng Chính quy hóa BatchNorm để đảm bảo tính nhất quán của dữ liệu trước khi kích hoạt. Mạng sử dụng ADAM với tư cách là trình tối ưu hóa, với tốc độ học đầy tham vọng là 0.001 trên lô 32 hình ảnh đầu vào.

Đầu ra từ ba kiến ​​trúc.

Cả ba thuật toán được thử nghiệm đều được đào tạo cho 26,400 lệnh gọi hàm thể dục bằng cách sử dụng cùng một bộ năm hạt giống.

Đến thời điểm này, các nhà nghiên cứu đã xác định rằng các quy trình đào tạo dài hơn không có lợi cho hệ thống; một cách hiệu quả, phương pháp của Israel đang tìm cách lấy dữ liệu chính từ giai đoạn đầu của quá trình đào tạo mô hình, nơi chỉ các tính năng cao nhất vẫn chưa được nhận ra. Điều đáng chú ý là đây là một món quà, xét về nền kinh tế khuôn khổ.

Đã thiết lập kết quả cơ bản với nền tảng dựa trên Python của Facebook không bao giờ tốt nghiệp môi trường tối ưu hóa không có độ dốc, hệ thống được định hình dựa trên một số thuật toán, bao gồm các nhãn hiệu khác nhau của Sự tiến hóa khác biệt tự tìm tòi.

Các nhà nghiên cứu phát hiện ra rằng phương pháp 'tham lam' dựa trên Dlib vượt trội so với các đối thủ cạnh tranh, thành công trong việc tạo ra 42 khuôn mặt chính có khả năng mở khóa 64% -XNUMX% tập dữ liệu thử nghiệm. Việc áp dụng Công cụ dự đoán thành công của hệ thống đã cải thiện hơn nữa những kết quả rất thuận lợi này.

Bài báo cho rằng "xác thực dựa trên khuôn mặt cực kỳ dễ bị tổn thương, ngay cả khi không có thông tin về danh tính mục tiêu" và các nhà nghiên cứu coi sáng kiến ​​​​của họ là một cách tiếp cận hợp lệ đối với phương pháp xâm nhập bảo mật cho các hệ thống nhận dạng khuôn mặt.