A Multi-task Adversarial Attack Against Face Authentication

要約

顔認証システムなどの深層学習ベースの ID 管理システムは、敵対的な攻撃に対して脆弱です。
ただし、既存の攻撃は通常、単一タスクを目的として設計されており、複数のユーザーやシステムに適応できるものではなく、個々のターゲットに固有の脆弱性を悪用するように調整されています。
この制限により、モーフィング攻撃、ユニバーサル攻撃、転送可能攻撃、カウンター攻撃などの特定の攻撃シナリオには適さなくなります。
この論文では、複数のユーザーまたはシステムに適応可能な MTADV と呼ばれるマルチタスク敵対的攻撃アルゴリズムを提案します。
これらのシナリオをマルチタスク攻撃として解釈することにより、MTADV はシングルタスク攻撃とマルチタスク攻撃の両方に適用でき、ホワイト ボックス設定とグレー ボックス設定で実行可能になります。
さらに、MTADV は、LFW、CelebA、CelebA-HQ などのさまざまな顔データセットに対して効果的であり、FaceNet、InsightFace、CurricularFace などのさまざまな深層学習モデルと連携できます。
重要なのは、MTADV は単一のユーザー/システムをターゲットとする単一タスク攻撃としての実行可能性を維持していることです。
私たちの知る限り、MTADV は、前述のすべてのシナリオを 1 つのアルゴリズムでターゲットにできる初めての敵対的攻撃手法です。

要約(オリジナル)

Deep-learning-based identity management systems, such as face authentication systems, are vulnerable to adversarial attacks. However, existing attacks are typically designed for single-task purposes, which means they are tailored to exploit vulnerabilities unique to the individual target rather than being adaptable for multiple users or systems. This limitation makes them unsuitable for certain attack scenarios, such as morphing, universal, transferable, and counter attacks. In this paper, we propose a multi-task adversarial attack algorithm called MTADV that are adaptable for multiple users or systems. By interpreting these scenarios as multi-task attacks, MTADV is applicable to both single- and multi-task attacks, and feasible in the white- and gray-box settings. Furthermore, MTADV is effective against various face datasets, including LFW, CelebA, and CelebA-HQ, and can work with different deep learning models, such as FaceNet, InsightFace, and CurricularFace. Importantly, MTADV retains its feasibility as a single-task attack targeting a single user/system. To the best of our knowledge, MTADV is the first adversarial attack method that can target all of the aforementioned scenarios in one algorithm.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google