Mejorando el Reconocimiento Facial con Aprendizaje Federado

La tecnología de Reconocimiento facial ayuda a identificar o verificar a las personas analizando sus caras. Ahora se usa mucho en muchas áreas, como desbloquear smartphones y la seguridad en aeropuertos. Hay dos tareas principales: la identificación facial, que averigua quién es alguien, y la verificación facial, que comprueba si alguien es quien dice ser. Para brindar acceso a servicios, es crucial conseguir un reconocimiento facial preciso.

Sin embargo, los sistemas tradicionales de reconocimiento facial se entrenan con muchas imágenes en una computadora central. Estas imágenes a menudo tienen detalles personales sensibles, y a la gente no le gustaría compartir esos datos. Esto plantea preocupaciones de privacidad.

#Aprendizaje Federado

Para abordar los problemas de privacidad, se puede usar un método llamado aprendizaje federado. Este método permite entrenar un modelo compartido sin mover los datos privados de los usuarios individuales. En lugar de enviar todos los datos a un servidor central, los dispositivos pueden aprender por su cuenta y enviar solo actualizaciones al modelo central. Cada dispositivo mantiene sus datos seguros y privados.

En el aprendizaje federado, dispositivos como smartphones entrenan sus propios modelos usando datos locales, y luego envían actualizaciones del modelo a un agregador seguro o servidor central. El agregador combina estas actualizaciones para formar un modelo global, que luego se envía de vuelta a los dispositivos. Este proceso ayuda a mantener la información sensible en los dispositivos de los usuarios.

Para mejorar aún más la privacidad de los datos, se pueden usar redes generativas antagónicas (GANs) para crear datos falsos, conocidos como datos de impostores, en los dispositivos periféricos. Estos datos falsos pueden ayudar al sistema a aprender sin necesidad de compartir datos reales de los usuarios.

#Beneficios del Aprendizaje Federado

Implementar aprendizaje federado en sistemas de reconocimiento facial ofrece dos beneficios principales. Primero, protege la privacidad del usuario al mantener los datos originales en los dispositivos. Segundo, el rendimiento del modelo global combinado puede ser casi tan bueno como los modelos individuales, incluso sin agregadores seguros. Esto muestra que es posible mejorar la privacidad sin reducir significativamente la precisión.

#Conceptos Básicos del Reconocimiento Facial

El reconocimiento facial funciona identificando automáticamente a las personas a través de patrones faciales. Esta tecnología es crucial en muchos sistemas de seguridad y autenticación. Involucra tanto la identificación facial como la verificación facial. La identificación facial descubre quién es una persona, mientras que la verificación comprueba si alguien es quien dice ser. Para conceder acceso, garantizar una identificación correcta es esencial.

El aprendizaje automático ha hecho enormes mejoras en los sistemas de reconocimiento facial. Estos sistemas suelen usar redes neuronales profundas que aprenden de muestras de datos faciales. La mayor parte de estos datos se recopilan a través de dispositivos de usuario, y el entrenamiento se lleva a cabo en un servidor centralizado. Sin embargo, este entorno conlleva dos problemas importantes. Primero, hay un riesgo de acceso no autorizado a los datos. Segundo, transferir grandes cantidades de datos pone una carga en los sistemas de comunicación.

Aquí es donde el aprendizaje federado ofrece ventajas. En lugar de enviar datos sensibles a un servidor central, permite el entrenamiento distribuido. Cada dispositivo mantiene sus datos y entrena su modelo local, enviando actualizaciones al servidor central, que luego las combina en un modelo global. De este modo, los datos faciales permanecen locales, mejorando la privacidad y reduciendo la necesidad de transferir datos.

#Aumento de la Demanda de Privacidad

Con el auge de dispositivos móviles potentes y un creciente énfasis en la privacidad de los datos, el aprendizaje federado ha ganado popularidad. Muchas empresas ven su valor, especialmente en aplicaciones donde los usuarios están preocupados por la privacidad. Se han desarrollado herramientas como TensorFlow Federated y PaddleFL para apoyar el aprendizaje federado.

Aunque la preservación de la privacidad se ha estudiado durante años, ahora se está convirtiendo en algo más común en la práctica. Por ejemplo, empresas como Google y Apple han comenzado a usar aprendizaje federado en sus aplicaciones para ayudar a garantizar que los datos de los usuarios sigan siendo confidenciales.

#Preocupaciones de Privacidad

Los problemas de privacidad son un gran desafío en los sistemas de reconocimiento facial y de voz porque estos sistemas generalmente requieren compartir datos faciales. Esto puede llevar a graves violaciones de la privacidad. El aprendizaje federado se destaca como una solución fuerte a estos problemas. Permite el entrenamiento del modelo directamente en los dispositivos de los usuarios, evitando la necesidad de enviar datos sensibles a servidores centrales.

Este enfoque descentralizado no solo mejora la privacidad, sino que también reduce la necesidad de transferencia de datos, lo que ayuda a ahorrar ancho de banda.

#Sistema Propuesto

Este sistema tiene como objetivo combinar el aprendizaje federado con el entrenamiento de modelos de reconocimiento facial, tanto supervisados como no supervisados. El objetivo principal es proteger la privacidad del usuario. En este sistema, cada dispositivo entrena su modelo y lo envía a un agregador seguro o directamente al servidor central. El agregador fusiona estos modelos para crear un modelo global, que luego se envía de regreso a los dispositivos.

El servidor central también puede crear el modelo global directamente, sin el agregador. La idea clave es que el modelo de reconocimiento facial se basa en el aprendizaje profundo, utilizando solo datos almacenados en los dispositivos.

Cada dispositivo entrena su modelo, lo que asegura que los datos nunca salgan del dispositivo. La parte en la nube del sistema utiliza promediado federado para combinar modelos locales y crear un modelo global, que se envía de nuevo a los dispositivos para su uso.

La agregación segura juega un papel crucial al mantener las actualizaciones confidenciales. Como solo se envían actualizaciones del modelo, no se envían datos personales junto con ellas. Este sistema mantiene la información individual del usuario segura.

Un aspecto innovador adicional es el uso de redes generativas antagónicas (GANs) para producir datos falsos directamente en los dispositivos. Al crear estos datos en los dispositivos, evitamos la necesidad de enviar datos sensibles o falsos, lo que podría llevar a riesgos de privacidad. Como resultado, se elimina la necesidad de dicha transmisión de datos, protegiendo a los usuarios.

#Aplicaciones del Aprendizaje Federado

Los posibles usos de los sistemas de aprendizaje federado son amplios. Por ejemplo, aprender características faciales en smartphones puede llevar a un modelo compartido que pueda identificar usuarios de manera efectiva. Sin embargo, los usuarios pueden dudar en compartir sus datos debido a preocupaciones de privacidad. Con el aprendizaje federado, se puede construir un modelo independiente del usuario mientras se mantiene la privacidad de los datos de los usuarios.

En contextos organizativos, las universidades también pueden considerarse como dispositivos separados que albergan información sensible de los estudiantes. El aprendizaje federado puede ayudar a proteger estos datos mientras permite el aprendizaje colaborativo sin el riesgo de filtraciones de datos.

Los experimentos muestran que el aprendizaje federado beneficia a los sistemas de reconocimiento facial al evitar que los datos sensibles de los usuarios se transmitan a servidores centrales. Esto es crucial para la preservación de la privacidad sin perjudicar significativamente el rendimiento del modelo.

#Arquitectura del Sistema

El sistema propuesto cuenta con una arquitectura de aprendizaje federado que funciona en tres ubicaciones principales: dispositivos periféricos, un agregador seguro y un servidor central. Los dispositivos periféricos incluyen teléfonos móviles, tabletas y laptops. El agregador y el servidor generalmente actúan como servicios en la nube.

Cada dispositivo periférico calcula actualizaciones de modelo basadas en sus datos locales, que luego se envían al agregador. El servidor central recopila todas estas actualizaciones de varios dispositivos y las combina para formar un modelo global.

La estructura de este sistema se mantiene igual tanto para sistemas de reconocimiento supervisados como no supervisados. La diferencia radica en la necesidad de etiquetas en el aprendizaje supervisado, mientras que los sistemas no supervisados no requieren estas etiquetas.

Para mejorar la robustez, nuestro enfoque utiliza dos métodos para crear datos de imágenes de impostores para cada dispositivo. Un método implica elegir imágenes aleatorias de otras personas de un conjunto de datos. El otro método utiliza una GAN para crear imágenes falsas, ya que recopilar imágenes faciales diversas en los dispositivos puede ser complicado.

El sistema de aprendizaje federado utiliza un agregador seguro, permitiendo que numerosos dispositivos no confiables trabajen juntos sin compartir datos privados.

#Preservación de la Privacidad con un Agregador Seguro

En este sistema federado, primero ocurre el entrenamiento local. Cada dispositivo entrena su modelo usando datos locales. Estos modelos se envían al agregador seguro, que los combina para crear un modelo global. El modelo agregado se envía al servidor central, que lo redistribuye a todos los dispositivos.

Cuando no hay un agregador seguro presente, los dispositivos individuales envían sus modelos directamente al servidor central. En este caso, el servidor combina estos modelos en un modelo global, que luego se envía nuevamente a los dispositivos para actualizaciones.

Este enfoque dual permite comparar el rendimiento entre sistemas con y sin un agregador seguro.

#Importancia de la Privacidad

La privacidad es crucial para el aprendizaje federado. Estos sistemas se centran en compartir actualizaciones del modelo en lugar de datos sin procesar. Este método cooperativo permite entrenar modelos efectivos y seguros mientras se minimiza la exposición de datos. Aunque el aprendizaje federado reduce algunos riesgos de privacidad, enviar actualizaciones del modelo aún puede presentar desafíos.

Para abordar esto, los avances recientes están utilizando técnicas de computación segura multiparte (SMC) o privacidad diferencial (DP) que mejoran la privacidad mientras aún permiten el rendimiento del modelo.

#Evaluación del Sistema Propuesto

El trabajo propuesto utiliza un método clásico de promedio de aprendizaje federado. Los dispositivos solo comunican sus pesos de modelo actualizados, asegurando que los datos faciales del usuario permanezcan seguros.

Manejar grandes volúmenes de actualizaciones del modelo puede ser un desafío debido a los límites de rendimiento. Esto se puede resolver minimizando el número de usuarios participantes e implementando políticas de programación.

#Fuente de Datos: Conjunto de Datos CelebA

El conjunto de datos CelebA, desarrollado por investigadores en Hong Kong, es bien conocido en visión por computadora y aprendizaje automático. Comprende más de 200,000 imágenes de celebridades, cada una etiquetada con 40 atributos binarios, lo que lo hace útil para tareas como predecir rasgos faciales. El conjunto de datos se divide en conjuntos de entrenamiento, validación y prueba para apoyar el entrenamiento y la evaluación del modelo.

#Configuración Experimental

La arquitectura del sistema se asemeja mucho a VGG-M, un diseño común para clasificación de imágenes. Incluye una capa de max-pooling y capas de abandono, y usa la biblioteca de aprendizaje profundo Keras para el entrenamiento.

El sistema supervisado utiliza GPUs Titan X para entrenar durante más de 100 épocas o hasta que el error de validación se estabiliza, con un tamaño de lote de 64 y una tasa de aprendizaje decreciente.

Se utiliza un autoencoder en sistemas no supervisados para ayudar a la red a aprender representaciones de caras específicas. El codificador aprende a representar una cara individual mientras que el decodificador reconstruye la imagen. El decodificador se descarta después del entrenamiento, y las representaciones aprendidas se utilizan para la verificación.

El rendimiento se evalúa utilizando la Tasa de Error Igual (EER), una métrica que mide el equilibrio entre tasas de aceptación y rechazo.

#Resultados Experimentales

Los experimentos exploran los efectos del aprendizaje federado tanto en configuraciones supervisadas como no supervisadas. Analizamos el rendimiento según si se utiliza un agregador seguro.

#Sistemas Supervisados sin Agregador Seguro

Se muestra el rendimiento de modelos individuales en comparación con modelos agregados, demostrando que los modelos agregados arrojan valores EER más bajos. El modelo agregado supera consistentemente a los modelos individuales, independientemente del método utilizado para generar imágenes de impostores.

#Sistemas Supervisados utilizando Agregador Seguro

Al emplear un agregador seguro, el rendimiento del modelo agregado disminuye ligeramente en comparación con los sistemas que no lo utilizan. Esta disminución destaca una compensación entre mejorar la privacidad y mantener el rendimiento del modelo.

#Sistemas No Supervisados

Para sistemas no supervisados, la EER se reduce significativamente cuando los modelos federados no incorporan un agregador seguro. El enfoque colaborativo muestra un rendimiento mejorado en comparación con modelos individuales, ilustrando la efectividad del aprendizaje federado.

#Conclusión

Este trabajo resalta el aprendizaje federado como un método vital para proteger la privacidad de los datos de imágenes faciales en dispositivos periféricos, aplicable en sistemas tanto supervisados como no supervisados. El diseño de entrenamiento descentralizado del sistema asegura que los datos permanezcan en los dispositivos individuales, contribuyendo a la privacidad del usuario.

Los hallazgos indican que, si bien los modelos federales sin agregadores seguros ofrecen un mejor rendimiento, usar un agregador sigue siendo beneficioso para la privacidad sin comprometer demasiado la precisión. La futura investigación debería buscar refinar las técnicas de agregación y explorar trabajar con más dispositivos para impulsar aún más los sistemas de reconocimiento facial que preserven la privacidad.