青少年能否愚弄 AI？评估低成本化妆攻击对年龄估计系统的影响
计算机视觉与模式识别
2026-02-24 v1 密码学与安全
机器学习
摘要
年龄估计系统日益被部署于作为年龄限制在线内容门户，但其对化妆修改的鲁棒性尚未得到系统性评估。我们调查是否可以通过简单的、家庭可获得的化妆更改（包括胡须、灰发、化妆和模拟皱纹），导致 AI 年龄估计器将未成年人分类为成年人。为在不涉及伦理问题的前提下对此威胁进行大规模研究，我们使用 VLM 图像编辑器（Gemini 2.5 Flash Image）对 10 至 21 岁的 329 张面部图像进行仿真攻击。随后，我们评估了来自我们先前基准的八个模型：五个专业架构（MiVOLO、Custom-Best、Herosan、MiViaLab、DEX）和三个视觉语言模型（Gemini 3 Flash、Gemini 2.5 Flash、GPT-5-Nano）。我们引入攻击转换率 (ACR)，定义为基线预测为未成年人图像中翻转为成年人的比例，这是一种不依赖测试集中未成年人与成年人比例的、面向人群的指标。我们的结果显示，单一的合成胡须即可在所有八个模型中实现 28% 至 69% 的 ACR；将所有四种攻击组合使用可使预测年龄平均增加 7.7 岁（涵盖 329 名受试者），并达到最高 83% 的 ACR；视觉语言模型在全攻击下的 ACR (59% 至 71%) 低于专业模型 (63% 至 83%)，尽管 ACR 的范围重叠且差异未经过统计检验。这些发现凸显了部署在年龄验证管道中的关键漏洞，呼吁将对抗鲁棒性评估作为模型选择的强制性标准。
引用
@article{arxiv.2602.19539,
title = {Can a Teenager Fool an AI? Evaluating Low-Cost Cosmetic Attacks on Age Estimation Systems},
author = {Xingyu Shen and Tommy Duong and Xiaodong An and Zengqi Zhao and Zebang Hu and Haoyu Hu and Ziyou Wang and Finn Guo and Simiao Ren},
journal= {arXiv preprint arXiv:2602.19539},
year = {2026}
}
备注
13 pages, 6 figures