LoRA-based Adaptation Alone Is Not Enough: Understanding the Limits of Foundation Models for Face Presentation Attack Detection

تخيل أنك تحاول تعليم روبوت كيفية اكتشاف بطاقة هوية مزيفة. تعرض عليه ألف صورة لأشخاص حقيقيين وألف صورة لأشخاص يرفعون صوراً مطبوعة أو يعرضون فيديوهات لوجوه على هواتفهم. يصبح الروبوت بارعاً جداً في كشف التزييف في تلك الغرفة تحديداً، وتحت ذلك الضوء المحدد، وباستخدام تلك الكاميرات المحددة. ولكن بمجرد أن تأخذ الروبوت إلى غرفة أخرى، وتغير الإضاءة، أو تستبدل الكاميرا، ينسى الروبوت كل شيء فجأة ويبدأ في التخمين العشوائي. هذا هو الواقع المحبط لـ "كشف هجمات عرض الوجه" (Face Presentation Attack Detection - PAD). إنه فرع من رؤية الحاسوب مخصص للحفاظ على أمان أنظمة التعرف على الوجه من الحيل مثل الصور، أو الأقنعة، أو إعادة تشغيل الفيديوهات. الحلم الكبير هو بناء كاشف يعمل في كل مكان، بغض matter كان نوع الكاميرا أو الإضاءة. مؤخراً، حاول العلماء استخدام "النماذج التأسيسية" (Foundation Models) — وهي عقول ذكاء اصطناعي ضخمة وذكية للغاية تم تدريبها على مليارات الصور والنصوص من الإنترنت — لحل هذه المشكلة. كان الأمل هو أن هذه العقول العملاقة تعرف بالفعل الكثير عن العالم، بحيث يمكنها بسهولة تعلم اكتشاف التزييف بلمسة بسيطة من التدريب الإضافي.

يضع هذا البحث ذلك الأمل تحت الاختبار من خلال تجربة ضخمة. أخذ الباحثون 32 نوعاً مختلفاً من هذه العقول الاصطناعية العملاقة (بما في ذلك نماذج شهيرة مثل CLIP وDINO) وحاولوا تعليمها اكتشاف تزييف الوجوه باستخدام خدعة ذكية وخفيفة الوزن تسمى "LoRA". فكر في LoRA كأنها طوق تدريب صغير وقابل للتعديل لكلب ضخم؛ أنت لا تعيد تدريب الكلب الضخم بالكامل، بل تقوم فقط بتعديل جزء ضئيل جداً من دماغه (أقل من 1%) لتعلم حركة جديدة. كانت النتائج مزيجاً من النجاح المذهل والواقع القاسي. فعندما تم اختبار الذكاء الاصطناعي على نفس البيانات التي تدرب عليها، أصبح نجماً خارقاً، حيث اكتشف التزييف بدقة تقترب من المثالية (أقل من 2% نسبة خطأ). ومع ذلك، عندما طلب الباحثون من الذكاء الاصطناعي اكتشاف التزييف في بيئة جديدة لم يسبق له رؤيتها، انهلك الأداء. قفزت نسبة الخطأ لتتراوح بين 20% و43%، وهو ما يكاد لا يتجاوز مستوى أفضلية رمي العملة المعدنية. خلص البحث إلى أنه بينما يعد LoRA رائعاً في صقل نموذج لمهمة محددة، إلا أنه ليس كافياً لإصلاح المشكلة الأعمق المتمثلة في جعل الذكاء الاصطناعي يعمل عبر عوالم مختلفة. إن "دماغ" النموذج هو الأهم، وليس حجم النموذج، والبيانات التي تدرب عليها هي الأكثر أهمية.

قصة الروبوت الذكي والتزييف المراوغ

دعونا نغوص في المغامرة. بدأ العلماء بطرح سؤال بسيط: هل يكفي القليل من التدريب الإضافي (LoRA) لجعل هذه العقول الاصطناعية العملاقة قوية بما يكفي لاكتشاف تزييف الوجوه في أي مكان؟

لمعرفة ذلك، نظموا بطولة ضخمة. جمعوا 32 "مشفر رؤية" (Vision Encoders) مختلفاً — وهذه هي "عيون" الذكاء الاصطناعي، الأجزاء التي تنظر فعلياً إلى الصور. بعض هذه العيون جاءت من نماذج تدربت فقط على الصور، بينما جاءت أخرى من "أبراج الرؤية" المستخرجة من "نماذج الرؤية واللغة" (VLMs) الضخمة، وهي عقول اصطناعية يمكنها رؤية الصور وقراءة النصوص في آن واحد. كما اختبروا 9 من هذه النماذج الضخمة (VLMs) في وضع "الصفر المعرفة" (zero-shot). "الصفر المعرفة" يشبه إعطاء طالب اختباراً دون السماسة بدراسة الموضوع أولاً؛ أنت فقط تسأله: "هل هذا وجه حقيقي أم مزيف؟" وترى ماذا سيقول.

مفاجأة "الصفر المعرفة"
أولاً، جربوا نهج "الصفر المعرفة". طلبوا من نماذج (VLMs) الضخمة اكتشاف التزييف باستخدام أمر بسيط، مثل معلم يطرح سؤالاً. النتيجة؟ كان الذكاء الاصطناعي تائهاً تماماً. حقق دقة تقارب 50%، وهو نفس مستوى تخمين "ملك أو كتابة" عبر رمي عملة معدنية. حتى أكثر النماذج ذكاءً وتكلفة بمليارات المعلمات لم يستطع تحديد الأمر دون تدريب محدد. أخبر هذا الباحثين أن مجرد امتلاك عقل ذكي ليس كافياً؛ بل يجب ضبط الدماغ خصيصاً لهذه المهمة وهي اكتشاف التزييف.

سحر LoRA (وحدوده)
بعد ذلك، جربوا طريقة LoRA. أخذوا العيون "المجمدة" لهذه النماذج الـ 32 وأضافوا إليها تلك الأطواق التدريبية الصغيرة القابلة للتعديل. قاموا بتدريبها على أربعة مجموعات بيانات مختلفة (مجموعات من صور الوجوه الملتقطة بكاميرات وإضاءات مختلفة).

• الأخبار الجيدة: عندما اختبروا الذكاء الاصطماعي على نفس مجموعة البيانات التي تعلم منها، كان الأمر مذهلاً. انخفضت نسبة الخطأ في معظم النماذج إلى أقل من 2%. وبعضها، مثل CLIP ViT-B/32، وصلت نسبة الخطأ فيه إلى 0.3% فقط. بدا الأمر وكأن الذكاء الاصطناعي قد أصبح فجأة محققاً بارعاً في تلك الغرفة تحديداً.
• الأخبار السيئة: عندما نقلوا الذكاء الاصطناعي إلى مجموعة بيانات مختلفة (غرفة مختلفة، كاميرا مختلفة)، تلاشى السحر. ارتفعت معدلات الخطأ لتتراوح بين 19.8% و42.6%.

أدرك الباحثون أن LoRA يعمل مثل خياط ماهر جداً. يمكنه ضبط بدلة لتناسب شخصاً واحداً (مجموعة بيانات واحدة) عن طريق تعديل بعض الأزرار. لكنه لا يستطيع جعل تلك البدلة تناسب شخصاً مختلفاً تماماً (مجموعة بيانات أخرى) بمجرد تعديل الأزرار؛ فالبدلة لا تزال مصممة لشكل الشخص الأول.

الحجم لا يهم (كثيراً)
هناك اعتقاد شائع في عالم الذكاء الاصطناعي بأن "الأكبر هو الأفضل". اختبر الباحثون هذا من خلال مقارنة النماذج الصغيرة بالنماذج الضخمة. وجدوا أن نموذجاً صغيراً نسبياً يسمى CLIP ViT-B/32 (يحتوي على 0.09 مليار معلمة فقط) كان في الواقع يؤدي بشكل أفضل من بعض النماذج الض massive التي تتجاوز 8 مليارات معلمة. في الواقع، كان نموذج CLIP الصغير من بين الأفضل في اكتشاف التزييف عبر مجموعات البيانات المختلفة، بينما كان نموذج ضخم يسمى InternViT-6B (يحتوي على 5.54 مليار معلمة) من بين الأسوأ في عبور الفجوة بين مجموعات البيانات.

يشير هذا إلى أن نوع التدريب الذي تلقاه النموذج في الأصل يهم أكثر بكثير من مدى ضخامته. النماذج التي تدربت باستخدام طرق "التباين" (Contrastive) — أي التعلم لمطابقة الصور مع أوصافها النصية — أو "التقطير الذاتي" (Self-distillation) — أي التعلم ليكون متسقاً مع نفسه — عملت بشكل أفضل من النماذج التي تدربت فقط على ملء الأجزاء المفقودة من الصورة.

"حمية البيانات" مهمة
نظر الفريق أيضاً في كمية البيانات التي "أكلتها" النماذج أثناء تدريبها الأصلي. وجدوا أن تناول "حمية واسعة النطاق" (Web-scale diet) — أي مليارات الصور من الإنترنت — كان ضرورياً للحصول على نتائج جيدة، لكن تناول المزيد من ذلك لم يساعد كثيراً. بمجرد أن يكون النموذج قد رأى ما يكفي من الإنترنت، فإن إضافة المزيد من البيانات لم يجعله أفضل في اكتشاف التزييف في أماكن جديدة. كان الأمر يشبه طالباً قرأ كل الكتب في المكتبة؛ قراءة بضعة كتب إضافية لن تجعله فجأة عبقرياً في موضوع جديد ومحدد.

الدليل الخفي: "الغرفة" مقابل "الوجه"
جاء الاكتشاف الأكثر إثارة للاهتمام من مراقبة كيفية "رؤية" الذكاء الاصطناعي للصور. استخدم الباحثون تقنية تسمى t-SNE لتصور "أفكار" الذكاء الاصطناعي الداخلية. وجدوا أنه حتى بعد تدريب LoRA، كان الذكاء الاصطناعي لا يزال يصنف الصور بناءً على مكان التقاطها (مجموعة البيانات) بدلاً من ماهيتها (حقيقية أم مزيفة).
تخيل أنك تحاول فرز كومة من الصور إلى "أشخاص حقيقيين" و"أشخاص مزيفين"، لكن الذكاء الاصطناعي يستمر في فرزها إلى "صور التقطت في المختبر" و"صور التقطت في الشارع". تدريب LoRA ساعده على فرز صور "المختبر" بشكل مثالي، ولكن عندما رأى صورة من "الشارع"، ارتبك لأنه كان لا يزال يبحث عن دلائل "المختبر". لم يتعلم الذكاء الاصطناعي المفهوم العالمي لـ "الوجه المزيف"؛ بل تعلم فقط التعرف على سمات الإضاءة والكاميرا الخاصة بغرفة التدريب.

الحكم النهائي
يخلص البحث إلى أن تكييف LoRA وحده ليس كافياً لحل مشكلة اكتشاف الوجه عبر مجموعات البيانات المختلفة. فبينما يجعله دقيقاً للغاية في البيئة التي تدرب فيها، فإنه يفشل في جعله قوياً بما يكفي للتعامل مع كاميرات جديدة، أو إضاءات جديدة، أو أساليب هجوم جديدة. أظهرت "درجة التعميم" (Generalization Score) — وهو مقياس جديد ابتكره المؤلفون لقياس مدى جودة عمل النموذج في كلا السيناريوهين — أن حتى أفضل النماذج لا تزال تعاني لسد هذه الفجوة.

يشير المؤلفون إلى أن المشكلة ليست في حجم النموذج أو براعة خدعة LoRA. المشكلة هي أن النماذج لا تزال تعتمد بشكل كبير على "نكهة" البيانات التي تدربت عليها. ولحل ذلك حقاً، قد نحتاج إلى تغيير طريقة تدريب هذه النماذج من الأساس، ربما من خلال تعليمها تجاهل "الغرفة" والتركيز فقط على "الوجه"، أو باستخدام استراتيجيات تدريب مختلفة تجبر الذكاء الاصطناعي على تعلم قواعد عالمية بدلاً من العادات المحددة.

باختصار، لقد بنينا محققين من الذكاء الاصطناعي بارعين جداً في مركز شرطتهم المحلي، لكنهم يضيعون بمجرد خروجهم من الباب. طوق LoRA الصغير يساعدهم على المشي بشكل أفضل قليلاً، لكنه لا يمنحهم خريطة للعالم أجمع.