論文の概要: Federated Generalized Face Presentation Attack Detection
- arxiv url: http://arxiv.org/abs/2104.06595v1
- Date: Wed, 14 Apr 2021 02:44:53 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-15 13:20:44.640279
- Title: Federated Generalized Face Presentation Attack Detection
- Title（参考訳）: フェデレーション一般化顔提示攻撃検出
- Authors: Rui Shao, Pramuditha Perera, Pong C. Yuen, Vishal M. Patel
- Abstract要約: 本稿では,FedPAD(Federated Face Presentation Detection)フレームワークを提案する。
FedPADは、データプライバシを保持しながら、異なるデータオーナで利用可能な豊富なfPAD情報を活用する。
サーバは、データセンターからfPADモデルのドメイン不変部分を集約するだけで、グローバルなfPADモデルを学習する。
- 参考スコア（独自算出の注目度）: 112.27662334648302
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Face presentation attack detection 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 a Federated Face
Presentation Attack Detection (FedPAD) framework that simultaneously takes
advantage of rich fPAD information available at different data owners while
preserving data privacy. In the proposed framework, each data center 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. To equip the aggregated fPAD model in the server with better
generalization ability to unseen attacks from users, following the basic idea
of FedPAD, we further propose a Federated Generalized Face Presentation Attack
Detection (FedGPAD) framework. A federated domain disentanglement strategy is
introduced in FedGPAD, which treats each data center as one domain and
decomposes the fPAD model into domain-invariant and domain-specific parts in
each data center. Two parts disentangle the domain-invariant and
domain-specific features from images in each local data center, respectively. A
server learns a global fPAD model by only aggregating domain-invariant parts of
the fPAD models from data centers and thus a more generalized fPAD model can be
aggregated in server. We introduce the experimental setting to evaluate the
proposed FedPAD and FedGPAD frameworks and carry out extensive experiments to
provide various insights about federated learning for fPAD.
- Abstract（参考訳）: 顔提示攻撃検出は、現代の顔認識パイプラインにおいて重要な役割を果たす。
異なる入力分布と異なる種類のスプーフ攻撃から顔画像で訓練した場合には、優れた一般化を伴う顔提示攻撃検出モデルが得られる。
実際、トレーニングデータ(実際の顔画像と偽画像の両方)は、法的およびプライバシー上の問題により、データ所有者間で直接共有されない。
本稿では,この課題を回避するために,データプライバシを維持しつつ,異なるデータ所有者で利用可能なfPAD情報を同時に活用するフェデレーション顔提示検出(FedPAD)フレームワークを提案する。
提案フレームワークでは,各データセンタが独自のfPADモデルをローカルにトレーニングする。
サーバは、各データセンタ内のプライベートデータにアクセスすることなく、すべてのデータセンタからモデル更新を反復的に集約することで、グローバルなfPADモデルを学ぶ。
サーバに集約されたfPADモデルを、FedPADの基本概念に従い、ユーザからの攻撃を発見できないような一般化能力を持たせるために、フェデレーション一般化顔提示検出(FedGPAD)フレームワークを提案する。
FedGPADでは、各データセンタをひとつのドメインとして扱い、fPADモデルを各データセンタのドメイン不変部分とドメイン固有部分に分解するフェデレートされたドメインアンタングル化戦略が導入されている。
2つの部分は、各ローカルデータセンターの画像からドメイン不変とドメイン固有の特徴をそれぞれ分離する。
サーバは、データセンターからfPADモデルのドメイン不変部分を集約するだけでグローバルなfPADモデルを学習し、より一般化されたfPADモデルをサーバに集約することができる。
提案するFedPADおよびFedGPADフレームワークを評価するための実験環境について紹介し、fPADのフェデレート学習に関する様々な知見を提供するための広範な実験を行う。
関連論文リスト
- Federated Face Forgery Detection Learning with Personalized Representation [63.90408023506508]
ディープジェネレータ技術は、区別がつかない高品質のフェイクビデオを制作し、深刻な社会的脅威をもたらす可能性がある。
従来の偽造検出手法は、データを直接集中的に訓練する。
本稿では,個人化表現を用いた新しいフェデレーション顔偽造検出学習を提案する。
論文 参考訳（メタデータ） (2024-06-17T02:20:30Z) - FedSIS: Federated Split Learning with Intermediate Representation
Sampling for Privacy-preserving Generalized Face Presentation Attack
Detection [4.1897081000881045]
目に見えないドメイン/アタックへの一般化の欠如は、FacePAD(face presentation attack detection)アルゴリズムのアキレスヒールである。
本研究では、プライバシ保護ドメインの一般化のために、中間表現サンプリング(FedSIS)を用いたFederated Split Learningと呼ばれる新しいフレームワークを導入する。
論文 参考訳（メタデータ） (2023-08-20T11:49:12Z) - Client-specific Property Inference against Secure Aggregation in
Federated Learning [52.8564467292226]
フェデレートラーニングは、さまざまな参加者の間で共通のモデルを協調的に訓練するための、広く使われているパラダイムとなっている。
多くの攻撃は、メンバーシップ、資産、または参加者データの完全な再構築のような機密情報を推測することは依然として可能であることを示した。
単純な線形モデルでは、集約されたモデル更新からクライアント固有のプロパティを効果的にキャプチャできることが示される。
論文 参考訳（メタデータ） (2023-03-07T14:11:01Z) - Federated Test-Time Adaptive Face Presentation Attack Detection with
Dual-Phase Privacy Preservation [100.69458267888962]
顔提示攻撃検出(fPAD)は、現代の顔認識パイプラインにおいて重要な役割を果たす。
法的およびプライバシー上の問題により、トレーニングデータ(実際の顔画像と偽画像)は、異なるデータソース間で直接共有することはできない。
本稿では,二相プライバシー保護フレームワークを用いたフェデレーションテスト時間適応顔提示検出を提案する。
論文 参考訳（メタデータ） (2021-10-25T02:51:05Z) - WAFFLe: Weight Anonymized Factorization for Federated Learning [88.44939168851721]
データが機密性やプライベート性を持つドメインでは、ローカルデバイスを離れることなく、分散的に学習できるメソッドには大きな価値があります。
本稿では,フェデレートラーニングのためのウェイト匿名化因子化(WAFFLe)を提案する。これは,インド・バフェット・プロセスとニューラルネットワークの重み要因の共有辞書を組み合わせたアプローチである。
論文 参考訳（メタデータ） (2020-08-13T04:26:31Z) - Federated Face Presentation Attack Detection [93.25058425356694]
顔提示攻撃検出(fPAD)は、現代の顔認識パイプラインにおいて重要な役割を果たす。
本稿では,FedPAD(Federated Face Presentation Detection)フレームワークを提案する。
FedPADは、データプライバシを保持しながら、異なるデータオーナで利用可能な豊富なfPAD情報を同時に活用する。
論文 参考訳（メタデータ） (2020-05-29T15:56:01Z) - Federated Generative Adversarial Learning [13.543039993168735]
GAN(Generative Adversarial Network)は、様々な現実世界のアプリケーションにおいて進歩を遂げている。
GANは実際のケースでデータ制限の問題に悩まされている。
本稿では,フェデレート学習フレームワークを用いた新しい生成学習手法を提案する。
論文 参考訳（メタデータ） (2020-05-07T23:06:49Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。