HEFT: Homomorphically Encrypted Fusion of Biometric Templates

要約

このホワイト ペーパーでは、完全準同型暗号化 (FHE) を使用して生体認証テンプレートを安全に融合および照合するための非対話型エンドツーエンド ソリューションを提案します。
暗号化された特徴ベクトルのペアが与えられると、次の暗号文操作を実行します。i) 特徴の連結、ii) 学習した線形射影による融合と次元削減、iii) 単位 $\ell_2$-norm への正規化のスケーリング、および iv) スコアの一致
計算。
HEFT (Homomorphically Encrypted Fusion of biometric Templates) と呼ばれる私たちの方法は、FHE によって課される固有の制約、つまり非算術演算のサポートの欠如を克服するためにカスタム設計されています。
推論の観点から、計算効率の高い線形投影のためにさまざまなデータ パッキング スキームを体系的に調査し、スケールの正規化のために多項式近似を導入します。
トレーニングの観点から、近似正規化によって引き起こされるエラーを軽減するために、線形射影行列を学習するための FHE 認識アルゴリズムを導入します。
顔と声のバイオメトリクスのテンプレート融合とマッチングの実験的評価では、HEFT (i) は、特徴ベクトルを 16 倍 (512D から 32D) に圧縮しながら、それぞれのユニバイオメトリクス表現と比較して、バイオメトリクス検証パフォーマンスを 11.07% および 9.58% AUROC 向上させることが示されています。
、および (ii) 暗号化された特徴ベクトルのペアを融合し、884 ミリ秒でサイズ 1024 のギャラリーに対してその一致スコアを計算します。
コードとデータは https://github.com/human-analysis/encrypted-biometric-fusion で入手できます

要約(オリジナル)

This paper proposes a non-interactive end-to-end solution for secure fusion and matching of biometric templates using fully homomorphic encryption (FHE). Given a pair of encrypted feature vectors, we perform the following ciphertext operations, i) feature concatenation, ii) fusion and dimensionality reduction through a learned linear projection, iii) scale normalization to unit $\ell_2$-norm, and iv) match score computation. Our method, dubbed HEFT (Homomorphically Encrypted Fusion of biometric Templates), is custom-designed to overcome the unique constraint imposed by FHE, namely the lack of support for non-arithmetic operations. From an inference perspective, we systematically explore different data packing schemes for computationally efficient linear projection and introduce a polynomial approximation for scale normalization. From a training perspective, we introduce an FHE-aware algorithm for learning the linear projection matrix to mitigate errors induced by approximate normalization. Experimental evaluation for template fusion and matching of face and voice biometrics shows that HEFT (i) improves biometric verification performance by 11.07% and 9.58% AUROC compared to the respective unibiometric representations while compressing the feature vectors by a factor of 16 (512D to 32D), and (ii) fuses a pair of encrypted feature vectors and computes its match score against a gallery of size 1024 in 884 ms. Code and data are available at https://github.com/human-analysis/encrypted-biometric-fusion

arxiv情報

提供元, 利用サービス

arxiv.jp, Google