FedSIS：用于隐私保护泛化人脸呈现攻击检测的中间表示采样联邦拆分学习
计算机视觉与模式识别
2023-08-23 v2 密码学与安全
机器学习
摘要
对未见域/攻击缺乏泛化能力是大多数人脸呈现攻击检测（FacePAD）算法的阿喀琉斯之踵。现有增强 FacePAD 方案泛化能力的尝试假设多源域数据可由单一实体获取以支撑集中式训练。实践中，不同源域数据可能由多样实体收集，受法律与隐私约束往往无法共享。虽联邦学习（FL）等协作范式可克服此问题，标准 FL 方法并不适合域泛化，因其难以克服训练时处理非独立同分布客户端数据分布与推断时泛化至未见域的双重挑战。本文引入称为中间表示采样的联邦拆分学习（FedSIS）的新框架，用于隐私保护域泛化。在 FedSIS 中，混合 Vision Transformer（ViT）架构通过 FL 与拆分学习结合训练，以在客户端数据分布统计异质性下保持鲁棒性且不共享任何原始数据（从而保护隐私）。为进一步提升对未见域的泛化，采用称为中间表示采样的新型特征增强策略，并利用共享适配器网络从 ViT 中间块蒸馏判别信息。FedSIS 在两个知名跨域 FacePAD 基准上评估，证明无需数据共享亦可取得最先进泛化性能。代码：https://github.com/Naiftt/FedSIS
引用
@article{arxiv.2308.10236,
title = {FedSIS: Federated Split Learning with Intermediate Representation Sampling for Privacy-preserving Generalized Face Presentation Attack Detection},
author = {Naif Alkhunaizi and Koushik Srivatsan and Faris Almalik and Ibrahim Almakky and Karthik Nandakumar},
journal= {arXiv preprint arXiv:2308.10236},
year = {2023}
}
备注
Accepted to the IEEE International Joint Conference on Biometrics (IJCB), 2023