Forskare från Israel har utvecklat ett neuralt nätverk som kan generera "mästaransikten" - bilder av ansikten som var och en kan imitera flera identifierare. Arbetet antyder att det är möjligt att generera sådana "huvudnycklar" för mer än 40 % av befolkningen med endast 9 ansikten syntetiserade med Generative Adversarial Network (GAN) StyleGAN - tre ledande ansiktsigenkänningssystem. Forskningen utfördes tillsammans med vetenskapliga institutioner i Tel Aviv.
Under arbetets gång upptäckte forskarna att ett enda genererat ansikte kan imitera 20 % av ansikten med märkt Faces in the Wild (LFW) vid University of Massachusetts - en öppen samarbetsdatabas som används för utveckling och testning av system för ansiktsigenkänning och en referensdatabas för det israeliska systemet. Som ni vet används det ofta för att testa system för identitetsigenkänning.
Den nya metoden förbättrar liknande nyligen utförda arbeten från University of Siena, som kräver en privilegierad nivå av tillgång till ett maskininlärningssystem. Däremot tar den nya metoden generaliserade funktioner från allmänt tillgängliga material och tillämpar dem för att generera ansiktsegenskaper som spänner över ett stort antal instanser. Under olika förhållanden lyckades forskare uppnå en "positiv" identifiering av mer än 40% till 60% av personerna med hjälp av endast 9 genererade foton.
I detta tillvägagångssätt StyleGAN används initialt som en black-box-optimeringsmetod fokuserad (föga förvånande) på högdimensionell data, eftersom det är viktigt att hitta de bredaste och mest generaliserade ansiktsdragen som krävs av ett autentiseringssystem.
Tidningen slår fast att "ansiktsbaserad autentisering är extremt sårbar även när det inte finns någon information om målets identitet", och forskarna ser deras initiativ som ett hållbart tillvägagångssätt för metodiken för att hacka ansiktsigenkänningssystem.
Läs också:
- Artificiell intelligens hjälper NASA att studera solen
- EU försöker reglera ansiktsigenkänning på offentliga platser