[논문 리뷰] Federated Face Anti-spoofing.

Rui Shao, Pramuditha Perera외 2명|arXiv (Cornell University)|2020. 05. 29.

Biometric Identification and Security참고 문헌 16인용 수 5

한 줄 요약

이 논문은 원시 데이터를 공유하지 않고도 여러 데이터 센터 간에 협업하여 얼굴 위조 방지 모델을 훈련할 수 있는 프라이버시 보장 프레임워크인 Federated Face Anti-Spoofing (FedFAS)를 제안한다. 피어드 학습을 통해 분산된 데이터 센터에서 온 국소 모델 업데이트를 집계하여 일반화 능력이 뛰어난 글로벌 FAS 모델을 훈련함으로써, 데이터 프라이버시를 유지하면서도 높은 정확도를 달성한다.

ABSTRACT

Face presentation attack detection plays a critical role in the modern face recognition pipeline. A face anti-spoofing (FAS) 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 Anti-spoofing (FedFAS) framework. FedFAS simultaneously takes advantage of rich FAS 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 FAS model. A server learns a global FAS 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 FAS inference. We introduce the experimental setting to evaluate the proposed FedFAS framework and carry out extensive experiments to provide various insights about federated learning for FAS.

연구 동기 및 목표

• 개인정보 및 법적 제약으로 인해 훈련 데이터를 공유할 수 없는 상황에서 강력한 얼굴 위조 방지 모델을 훈련하는 데 도전하는 것.
• 개인 정보를暴露하지 않고도 다양한 데이터 분포와 위조 공격 유형을 가진 다수의 데이터 센터 간 협업을 가능하게 하는 것.
• 분산된 데이터 센터에서 온 국소 모델 업데이트를 집계하여 글로벌 FAS 모델을 훈련하는 피어드 학습 기반 프레임워크를 개발하는 것.
• 얼굴 위조 방지 분야에서 피어드 학습의 효과성을 평가하고, 모델 수렴 및 성능에 대한 통찰을 제공하는 것.

제안 방법

• 각 데이터 센터는 자체의 기밀 훈련 데이터셋(진짜 및 위조 얼굴 이미지 포함)을 사용하여 국소 FAS 모델을 훈련한다.
• 중앙 서버는 피어드 평균 기법을 사용해 모든 데이터 센터로부터 온 모델 업데이트를 집계하여 글로벌 FAS 모델을 업데이트한다.
• 서버와 데이터 센터 간의 다중 라운드 통신을 반복함으로써 데이터 프라이버시를 유지하면서 글로벌 모델을 점진적으로 개선한다.
• 다양한 데이터 분포와 위조 공격 유형을 가진 데이터 센터 간의 다양성을 활용하여 일반화 능력을 향상시킨다.
• 원시 데이터 대신 모델 업데이트만 교환함으로써, 기밀 훈련 샘플이 로컬 장치에 그대로 유지됨을 보장한다.

실험 결과

연구 질문

• RQ1 피어드 학습이 기밀 훈련 데이터를 공유하지 않고도 글로벌 얼굴 위조 방지 모델을 효과적으로 훈련시킬 수 있는가?
• RQ2 정확도 및 일반화 능력 측면에서 글로벌 FedFAS 모델의 성능은 중심화된 훈련과 비교해 어떻게 되는가?
• RQ3 다양한 데이터 분포와 위조 공격 유형이 글로벌 모델의 수렴 및 강건성에 어떤 영향을 미치는가?
• RQ4 FedFAS는 실세계 데이터 센터에서 흔히 발생하는 비독립 동일분포(Non-IID) 데이터 분포를 어떻게 다루는가?

주요 결과

• FedFAS는 중심화된 훈련과 비교해도 경쟁력 있는 위조 방지 성능을 달성하여, FAS 분야에서 피어드 학습의 가능성을 입증한다.
• 협업 학습 덕분에 FedFAS로 훈련된 글로벌 모델은 다양한 데이터 분포와 위조 공격 유형에 대해 잘 일반화된다.
• 원시 데이터가 데이터 센터나 서버 간에 공유되지 않도록 하여, 프레임워크가 데이터 프라이버시를 성공적으로 보존한다.
• 광범위한 실험 결과, FedFAS는 비독립 동일분포(Non-IID) 데이터가 클라이언트에 분포되어 있어도 안정적으로 수렴하고 높은 정확도를 유지함을 보여준다.