[논문 리뷰] Federated Face Presentation Attack Detection

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

Biometric Identification and Security참고 문헌 21인용 수 5

한 줄 요약

이 논문은 원시 데이터를 공유하지 않고도 개인정보를 보존하면서도 여러 데이터 센터 간에 글로벌 fPAD 모델을 훈련할 수 있는 페더레이티드 러닝 프레임워크인 FedPAD를 제안한다. 서로 다른 스푸핑 공격 유형을 가진 다양한 데이터 센터에서 로컬로 훈련된 모델을 집계함으로써 FedPAD는 일반화 능력을 크게 향상시켜, 새로운 2D 공격을 탐지할 때 점수 융합 대비 HTER 4.71% 감소 및 AUC 3.3% 향상 달성.

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.

연구 동기 및 목표

• 개별 데이터 센터에서 수집한 제한적이고 겹치지 않는 데이터셋으로 훈련된 fPAD 모델의 낮은 일반화 능력 문제를 해결한다.
• 민감한 얼굴 또는 스푸핑 이미지를 데이터 센터 간에 공유하지 않고도 강력한 fPAD 모델의 공동 훈련을 가능하게 한다.
• 다양한 공격 유형(예: 프린트, 비디오 재생, 3D 마스크)을 가진 여러 데이터 센터의 데이터를 보존하면서도 개인정보를 유지한다.
• 이질적인 데이터 센터에서 온 모델 업데이트를 페더레이티드 러닝을 통해 집계함으로써 새로운 스푸핑 공격에 대한 일반화 능력을 향상시킨다.
• 페더레이티드 fPAD를 평가하고 도메인 이동 및 데이터 다양성과 같은 핵심 과제를 분석하기 위한 실용적인 실험 프레임워크를 제공한다.

제안 방법

• 데이터 센터를 클라이언트로, 중앙 서버가 모델 집계를 담당하는 페더레이티드 러닝 패러다임을 구현한다.
• 각 데이터 센터는 자체 비공개 데이터셋(실제 얼굴 및 스푸핑 공격)에서 로컬 fPAD 모델을 훈련하며 원시 데이터를 공유하지 않는다.
• 서버는 모든 데이터 센터로부터 모델 업데이트(예: 신경망 가중치)를 반복적으로 집계하여 글로벌 fPAD 모델을 형성한다.
• 글로벌 모델은 데이터 센터로 다시 배포되어 추가적인 로컬 훈련을 수행하며, 다수의 통신 라운드를 통해 수렴한다.
• 사용자는 최종 글로벌 모델을 추론용으로만 수신하며, 로컬 훈련 능력은 제공되지 않는다.
• 일반화 능력을 평가하기 위해 표준 평가 지표(HTER, AUC)를 사용하여 새로운 스푸핑 공격 유형 및 데이터셋에서의 성능을 평가한다.

실험 결과

연구 질문

• RQ1 페더레이티드 러닝은 개인정보 보호를 유지하면서도 일반화 능력을 향상시키기 위해 얼굴 프레젠테이션 어택 검출에 효과적으로 적용될 수 있는가?
• RQ2 다양한 스푸핑 공격 유형을 가진 데이터 센터의 수를 늘릴수록 글로벌 fPAD 모델의 성능과 내구성은 어떻게 영향을 받는가?
• RQ3 각 데이터 센터가 단일 공격 유형만을 포함하는 경우, FedPAD가 새로운 2D 스푸핑 공격(예: 프린트 및 비디오 재생)에 얼마나 잘 일반화되는가?
• RQ4 페더럴 훈련 과정에 3D 마스크 공격 데이터를 포함시키면 새로운 3D 스푸핑 기법에 대한 일반화 능력 향상에 기여하는가?
• RQ5 데이터 센터 간에 심한 도메인 이동이 발생할 경우, 페더럴 fPAD에서의 상충 관계와 과제는 무엇인가?

주요 결과

• FedPAD에서 데이터 센터의 수를 늘릴수록 모델 성능이 일관되게 향상되며, HTER 및 AUC와 같은 평가 지표가 더 다양한 데이터 센터를 포함할수록 향상된다.
• 개별 훈련 기간 동안 관찰되지 않은 조합된 2D 스푸핑 공격(프린트 및 비디오 재생)을 탐지할 때, 점수 융합 대비 FedPAD는 HTER 4.71% 감소 및 AUC 3.3% 향상 달성.
• 3D 마스크 공격 데이터를 포함한 데이터 센터를 FedPAD 프레임워크에 통합함으로써, 데이터셋 H에서의 AUC 및 HTER가 향상되어 새로운 3D 스푸핑 기법에 대한 일반화 능력이 뚜렷이 향상됨을 입증.
• 전반적인 성능 향상에도 불구하고, 도메인 이동 증가로 인해 성능이 일시적으로 저하될 수 있으며, 이는 다양성과 모델 수렴 간의 상충 관계를 시사한다.
• 제안된 프레임워크는 이질적인 공격 데이터를 가진 데이터 센터 간의 개인정보 보호 협업을 가능하게 하며, 페더럴 러닝이 fPAD에 실현 가능하고 효과적임을 입증한다.
• 결과는 다양한 스푸핑 공격 유형을 가진 페더럴 훈련이 고립된 데이터셋에서의 훈련보다 더 강력하고 일반화 능력이 뛰어난 fPAD 모델을 도출함을 확인한다.