Những ‘Master Faces’ Có Thể Vượt Qua Hơn 40% Hệ Thống Xác Thực Diện Mạo

Những nhà nghiên cứu từ Israel đã phát triển một mạng lưới thần kinh có khả năng tạo ra những ‘master faces’ – hình ảnh khuôn mặt có thể giả mạo nhiều ID. Công việc này cho thấy rằng có thể tạo ra những ‘chìa khóa master’ cho hơn 40% dân số bằng cách sử dụng chỉ 9 khuôn mặt được tổng hợp bởi mạng lưới đối lập StyleGAN (GAN) thông qua ba hệ thống nhận diện khuôn mặt hàng đầu.

Bài báo này là một sự hợp tác giữa Trường Khoa học Máy tính Blavatnik và Trường Kỹ thuật Điện, cả hai đều thuộc Đại học Tel Aviv.

Khi thử nghiệm hệ thống, các nhà nghiên cứu đã phát hiện ra rằng một khuôn mặt được tạo ra có thể mở khóa 20% tất cả các ID trong cơ sở dữ liệu mã nguồn mở Labeled Faces in the Wild (LFW) của Đại học Massachusetts, một kho lưu trữ chung được sử dụng cho phát triển và thử nghiệm hệ thống xác thực khuôn mặt, và cơ sở dữ liệu chuẩn cho hệ thống Israel.

Quy trình làm việc của hệ thống Israel, sử dụng bộ tạo StyleGAN để tìm kiếm ‘master faces’ lặp lại. Source: https://arxiv.org/pdf/2108.01077.pdf

Phương pháp mới này cải tiến một bài báo gần đây từ Đại học Siena, yêu cầu mức truy cập đặc quyền vào khuôn khổ học máy. Ngược lại, phương pháp mới này suy luận các tính năng tổng quát từ tài liệu công khai và sử dụng chúng để tạo ra các đặc điểm khuôn mặt vượt qua nhiều ID.

Master Faces Tiến Hóa

StyleGAN ban đầu được sử dụng trong phương pháp này dưới dạng phương pháp tối ưu hóa hộp đen tập trung vào dữ liệu chiều cao, vì điều quan trọng là tìm ra các tính năng khuôn mặt rộng và tổng quát nhất sẽ thỏa mãn hệ thống xác thực.

Quá trình này sau đó được lặp lại để bao gồm các ID không được mã hóa trong lần qua đầu tiên. Trong các điều kiện thử nghiệm khác nhau, các nhà nghiên cứu đã tìm thấy rằng có thể đạt được xác thực cho 40-60% với chỉ 9 hình ảnh được tạo ra.

Các nhóm ‘master faces’ liên tiếp được thu thập trong nghiên cứu trên các phương pháp Tìm kiếm Phạm vi khác nhau, bao gồm LM-MA-ES. Độ Che phủ Tập Trung bình (MSC, một chỉ số cho độ chính xác) được ghi chú dưới mỗi hình ảnh.

Hệ thống sử dụng một thuật toán tiến hóa kết hợp với một mạng lưới dự đoán thần kinh ước tính khả năng của ‘ứng viên’ hiện tại để tổng quát hóa tốt hơn so với phần trăm p của ứng viên được tạo ra trong các lần qua trước.

Bộ lọc ứng viên được tạo ra trong kiến trúc của hệ thống Israel.

LM-MA-ES

Dự án sử dụng thuật toán Điều chỉnh Ma trận Giới hạn (LM-MA-ES) được phát triển cho một sáng kiến năm 2017 do Nhóm Nghiên cứu Máy học cho Thiết kế Thuật toán Tự động dẫn đầu, một phương pháp phù hợp cho tối ưu hóa hộp đen chiều cao.

LM-MA-ES tạo ra ứng viên một cách ngẫu nhiên. Mặc dù điều này phù hợp với ý định của dự án, một thành phần bổ sung là cần thiết để suy luận ra những khuôn mặt nào là ứng viên tốt nhất cho xác thực chéo ID. Do đó, các nhà nghiên cứu đã tạo ra một mạng lưới phân loại ‘Dự đoán Thành công’ để sàng lọc lượng ứng viên dồi dào thành những khuôn mặt phù hợp nhất cho nhiệm vụ.

Lý do của Dự đoán Thành công được sử dụng trong dự án mạo danh khuôn mặt Israel.

Đánh Giá

Hệ thống đã được thử nghiệm chống lại ba bộ mô tả khuôn mặt dựa trên CNN: SphereFace, FaceNet và Dlib, mỗi kiến trúc hệ thống chứa một metric tương đồng và một hàm mất mát, điều này hữu ích trong việc xác thực điểm số chính xác của hệ thống.

Dự đoán Thành công là một mạng lưới thần kinh tiến hành truyền tiếp bao gồm ba lớp kết nối đầy đủ. Lớp đầu tiên trong số này sử dụng quy định BatchNorm để đảm bảo tính nhất quán của dữ liệu trước khi kích hoạt. Mạng lưới sử dụng ADAM làm bộ tối ưu hóa, với tốc độ học tập tham vọng là 0,001 trên các lô 32 hình ảnh đầu vào.

Đầu ra từ ba kiến trúc.

Tất cả ba thuật toán được thử nghiệm đã được đào tạo trong 26.400 cuộc gọi hàm fitness sử dụng cùng một tập hợp năm hạt giống.

Các nhà nghiên cứu đã thiết lập tại thời điểm này rằng các quá trình đào tạo dài hơn không mang lại lợi ích cho hệ thống; hiệu quả, phương pháp Israel đang tìm cách suy luận dữ liệu chính từ giai đoạn đầu của đào tạo mô hình, nơi chỉ các tính năng cao nhất đã được nhận ra. Điều đáng chú ý là đây là một món quà, về mặt kinh tế của khuôn khổ.

Đã thiết lập các kết quả cơ bản với môi trường tối ưu hóa không có gradient NeverGrad của Facebook, hệ thống đã được phân tích chống lại một số thuật toán, bao gồm các thương hiệu khác nhau của thuật toán Sự tiến hóa khác biệt.

Các nhà nghiên cứu đã tìm thấy rằng một phương pháp ‘tham lam’ dựa trên Dlib đã vượt qua các đối thủ của nó, thành công trong việc tạo ra chín ‘master faces’ có thể mở khóa 42%-64% của tập dữ liệu thử nghiệm. Việc áp dụng 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 rất dễ bị tổn thương, ngay cả khi không có thông tin về ID mục tiêu’, và các nhà nghiên cứu coi sáng kiến của họ là một phương pháp hợp lệ để xâm nhập vào phương pháp luận bảo mật cho hệ thống nhận diện khuôn mặt.