[论文解读] Federated Face Anti-spoofing.

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

Biometric Identification and Security参考文献 16被引用 5

一句话总结

本文提出了联邦人脸反 spoofing（FedFAS），一种保护隐私的框架，可在不共享原始数据的情况下，实现多个数据中心之间的人脸反欺骗模型协同训练。通过使用联邦学习，FedFAS 聚合来自分布式数据中心的本地模型更新，训练出具有强泛化能力的全局 FAS 模型，实现高准确率的同时保护数据隐私。

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.

研究动机与目标

• 解决由于隐私和法律限制无法共享训练数据时，训练鲁棒人脸反欺骗模型的挑战。
• 在不暴露私有数据的前提下，实现具有不同数据分布和欺骗攻击类型的多个数据中心之间的协作。
• 开发一种基于联邦学习的框架，通过聚合来自分布式数据中心的本地模型更新，训练全局 FAS 模型。
• 评估联邦学习在人脸反欺骗场景下的有效性，并提供关于模型收敛性和性能的见解。

提出的方法

• 每个数据中心使用其自身私有的真实和欺骗人脸图像数据集训练本地 FAS 模型。
• 中央服务器使用联邦平均算法聚合来自所有数据中心的模型更新，以更新全局 FAS 模型。
• 通过服务器与数据中心之间的多轮通信，迭代优化全局模型，从而保护数据隐私。
• 该框架利用数据中心之间数据分布和欺骗攻击类型的多样性，提升模型的泛化能力。
• 仅交换模型更新而非原始数据，确保私有训练样本始终保留在本地设备上。

实验结果

研究问题

• RQ1 联邦学习能否在不共享私有训练数据的情况下有效训练出全局人脸反欺骗模型？
• RQ2 与集中式训练相比，全局 FedFAS 模型在准确率和泛化能力方面的表现如何？
• RQ3 数据中心之间多样的数据分布和欺骗攻击类型对全局模型收敛性和鲁棒性有何影响？
• RQ4 FedFAS 如何处理现实世界数据中心中常见的非独立同分布（non-IID）数据分布？

主要发现

• FedFAS 实现了与集中式训练相当的竞争性反欺骗性能，证明了联邦学习在 FAS 中的可行性。
• 由于协同学习，通过 FedFAS 训练的全局模型在多样化的数据分布和欺骗攻击类型上表现出良好的泛化能力。
• 该框架通过确保在数据中心与服务器之间不共享原始数据，成功保护了数据隐私。
• 大量实验表明，FedFAS 收敛稳定，即使在客户端存在非 IID 数据的情况下也能保持高准确率。