[論文レビュー] Federated Face Presentation Attack Detection

Rui Shao, Pramuditha Perera+2 more|arXiv (Cornell University)|May 29, 2020

Biometric Identification and Security参考文献 21被引用数 5

ひとこと要約

本稿では、顔のプレゼンテーション・アタック検出（fPAD）のためのフェデレーテッド・ラーニングフレームワーク、FedPADを提案する。このフレームワークは、複数のデータセンター間で生データを共有せずに、プライバシーを保ちながらグローバルなfPADモデルを訓練する。異なるスプーフ攻撃タイプを持つ複数のデータセンターからローカルに訓練されたモデルを統合することで、一般化性能が著しく向上し、未学習の2次元攻撃を検出する際、スコア統合と比較してHTERが4.71%低減され、AUCが3.3%向上した。

ABSTRACT

Face presentation attack detection (fPAD) plays a critical role in the modern face recognition pipeline. A face presentation attack detection model with good generalization can be obtained when it is trained with face images from different input distributions and different types of spoof attacks. In reality, training data (both real face images and spoof images) are not directly shared between data owners due to legal and privacy issues. In this paper, with the motivation of circumventing this challenge, we propose Federated Face Presentation Attack Detection (FedPAD) framework. FedPAD simultaneously takes advantage of rich fPAD information available at different data owners while preserving data privacy. In the proposed framework, each data owner (referred to as extit{data centers}) locally trains its own fPAD model. A server learns a global fPAD model by iteratively aggregating model updates from all data centers without accessing private data in each of them. Once the learned global model converges, it is used for fPAD inference. We introduce the experimental setting to evaluate the proposed FedPAD framework and carry out extensive experiments to provide various insights about federated learning for fPAD.

研究の動機と目的

• 個々のデータセンターが提供する限られた、重複のないデータセットから学習されたfPADモデルの一般化性能の低さという課題に対処する。
• 顔画像やスプーフ画像をデータセンター間で共有することなく、耐障害性の高いfPADモデルの共同学習を可能にする。
• データプライバシーを保ちながら、印刷、ビデオリプレイ、3次元マスクなど多様な攻撃タイプのデータを複数のデータセンターから活用する。
• 異種のデータセンターからのモデル更新を集約することで、フェデレーテッド・ラーニングを用いて未学習のスプーフ攻撃に対するモデルの一般化性能を向上させる。
• フェデレーテッドfPADを評価する実用的な実験フレームワークを提供し、ドメインシフトやデータ多様性といった主な課題を分析する。

提案手法

• データセンターをクライアントとし、中央サーバーがモデル集約を調整するフェデレーテッド・ラーニングのパラダイムを採用する。
• 各データセンターは、自らのプライベートなデータセット（実顔とスプーフ攻撃）上でローカルなfPADモデルを訓練し、生データを共有しない。
• サーバーは、全データセンターからのモデル更新（例：ニューラルネットワークの重み）を繰り返し集約し、グローバルfPADモデルを形成する。
• グローバルモデルはデータセンターに再配布され、複数ラウンドの通信を経て収束するまで局所的学習が繰り返される。
• ユーザーは、ローカル学習機能を持たず、最終的なグローバルモデルを推論に使用する。
• HTERやAUCといった標準的な評価指標を用いて、未学習のスプーフ攻撃タイプやデータセットに対する一般化性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 フェデレーテッド・ラーニングは、データプライバシーを守りながらモデル一般化性能を向上させるために、顔のプレゼンテーション・アタック検出に効果的に適用可能か？
• RQ2 多様なスプーフ攻撃タイプを持つデータセンターの数を増やすことで、グローバルfPADモデルの性能と耐障害性はどのように向上するか？
• RQ3 1つの攻撃タイプ（例：印刷やビデオリプレイ）のデータセンターでの学習に限る場合、FedPADは未学習の2次元スプーフ攻撃（例：印刷やビデオリプレイ）に対してどの程度一般化できるか？
• RQ4 フェデレーテッド学習プロセスに3次元マスク攻撃のデータを含めることで、新規の3次元スプーフィング技術への一般化性能は向上するか？
• RQ5 データセンター間で顕著なドメインシフトが生じる場合、フェデレーテッドfPADにおけるトレードオフや課題は何か？

主な発見

• FedPADにおけるデータセンターの数を増やすことで、モデル性能が一貫して向上し、HTERやAUCといった評価指標がより多様なデータセンターが追加されるに従い向上する。
• 個々の訓練で学習されていない組み合わせ2次元スプーフ攻撃（印刷およびビデオリプレイ）を検出する際、スコア統合と比較して、HTERが4.71%低減され、AUCが3.3%向上した。
• 3次元マスク攻撃のデータを含むデータセンターをFedPADフレームワークに統合することで、新規の3次元スプーフィング技術への一般化性能が顕著に向上し、データセットHにおけるAUCおよびHTERが改善された。
• 全体的な向上は見られるが、ドメインシフトの増加により、追加のデータセンターが性能を一時的に低下させる場合もあり、多様性とモデル収束の間にはトレードオフが存在することが示唆された。
• 提案されたフレームワークは、異種の攻撃データを持つデータセンター間で、プライバシーを守りながら協働学習が可能であることを示しており、フェデレーテッド・ラーニングがfPADに実用的かつ効果的であることを裏付けている。
• 結果から、多様なスプーフ攻撃タイプを用いたフェデレーテッド学習は、孤立したデータセットでの学習よりも、より耐障害性があり一般化性能の高いfPADモデルを生成することが確認された。