Continual Few-shot Adaptation for Synthetic Fingerprint Detection

1. Planteamiento del Problema

El avance de la Inteligencia Artificial Generativa (GenAI) ha permitido la creación de imágenes de huellas dactilares sintéticas con un realismo sin precedentes. Esto ha exacerbado la vulnerabilidad de los sistemas de reconocimiento de huellas dactilares (FRS) ante ataques de inyección de datos, donde huellas sintéticas se insertan maliciosamente en el proceso de inscripción o autenticación para eludir la detección.

El problema central identificado es que los modelos de redes neuronales profundas (DNN) entrenados para distinguir entre huellas reales y sintéticas tienden a sobreajustarse a los datos de entrenamiento específicos. Cuando se enfrentan a huellas generadas por modelos de GenAI no vistos (estilos desconocidos), estos modelos sufren un colapso catastrófico en su capacidad de generalización (generalización zero-shot es insuficiente). Además, la evolución constante de los generadores y sensores crea desplazamientos de dominio que los modelos estáticos no pueden manejar.

2. Metodología Propuesta

Los autores proponen formular la detección de huellas sintéticas como un problema de adaptación continua con pocos ejemplos (Continual Few-shot Adaptation). El objetivo es evolucionar un detector base para identificar rápidamente nuevos tipos de datos sintéticos sin olvidar los estilos previos.

La arquitectura y el proceso de aprendizaje se basan en los siguientes componentes:

• Arquitectura del Modelo:

  • Pre-procesamiento: Recorte de la región de la huella dactilar para obtener una imagen RGB de tamaño fijo.
  • Extractor de Características: Utiliza una red neuronal profunda preentrenada (como ViT-Small, ResNet, etc.) para extraer una representación vectorial fija.
  • Clasificador: Una cabeza de clasificación (MLP) que mapea los vectores de características a una puntuación de probabilidad (real vs. sintético).

• Estrategia de Aprendizaje:

  • Entrenamiento Base: Se entrena inicialmente con un conjunto de datos mixto (reales y sintéticos conocidos) minimizando la Pérdida de Entropía Cruzada Binaria (CE).
  • Adaptación Continua: Cuando llega un nuevo conjunto de datos con un estilo sintético no visto (pocos ejemplos), el modelo se ajusta mediante:
    1. Replay de Experiencia (Experience Replay): Se mantiene un búfer de memoria con una pequeña muestra de los estilos anteriores para evitar el olvido catastrófico.
    2. Pérdida de Contraste Supervisado (Supervised Contrastive Loss - SC): Se añade esta función de pérdida a la entropía cruzada durante el ajuste fino. La pérdida SC empuja las representaciones de la misma clase (ej. todas las sintéticas) a estar más cerca entre sí y aleja las de clases diferentes en el espacio de características. Esto estabiliza el aprendizaje incluso con muy pocos ejemplos.
  • Optimización: El modelo se actualiza minimizando una combinación ponderada de la pérdida CE y la pérdida SC, utilizando los parámetros del modelo anterior como inicialización.

3. Contribuciones Clave

1. Primera exploración del problema: Es el primer trabajo que aborda específicamente la detección de huellas dactilares sintéticas, formulándolo como una tarea de adaptación continua.
2. Mecanismo de adaptación robusto: Propone una combinación de pérdida de entropía cruzada y pérdida de contraste supervisado, junto con el replay de muestras, para lograr una adaptación rápida a nuevos estilos sintéticos mientras se mitiga el olvido catastrófico.
3. Validación experimental exhaustiva: Demuestran que el enfoque logra un equilibrio efectivo entre la adaptación rápida a estilos no vistos y la retención del conocimiento de estilos previos, utilizando múltiples arquitecturas de DNN y diversos conjuntos de datos.

4. Resultados Experimentales

Los experimentos se realizaron utilizando varios conjuntos de datos reales (FVC, NIST, IIITD) y sintéticos (SFinGe, GANs, Diffusion models como GenPrint).

• Fallo de la generalización Zero-shot: El detector base entrenado en un estilo (ej. GenPrint) tuvo un rendimiento casi nulo (TDR ~0%) al probarse en estilos sintéticos no vistos, confirmando la necesidad de adaptación.
• Eficacia de la Adaptación Few-shot: Tras la adaptación con pocos ejemplos (100 muestras), la tasa de detección verdadera (TDR) mejoró drásticamente para los nuevos estilos.
• Ventaja de la Pérdida SC: El modelo que utilizó la pérdida de contraste supervisado (ViT-CE+SC) superó consistentemente al modelo que solo usó entropía cruzada (ViT-CE), especialmente en la retención de estilos anteriores y en la adaptación a generadores más sofisticados (como GANs avanzados).
• Impacto del Replay: Sin el replay, el modelo olvidaba casi por completo los estilos anteriores al adaptarse a uno nuevo. Con el replay, el rendimiento en estilos previos se mantuvo estable o incluso mejoró ligeramente debido a la transferencia de conocimiento.
• Escalabilidad: La estrategia funcionó bien con diferentes arquitecturas de fondo (ResNet, ConvNeXt, ViT), mostrando que el método es agnóstico al extractor de características.
• Tamaño de la muestra: Se observó que aumentar el número de muestras de adaptación de 10 a 50 mejoró significativamente el rendimiento, con ganancias marginales adicionales al llegar a 100 o 200 muestras.

5. Significado e Impacto

Este trabajo es fundamental para la seguridad biométrica en la era de la GenAI. Al demostrar que es posible adaptar rápidamente los detectores de fraudes a nuevas técnicas de generación de huellas sintéticas con muy pocos datos, ofrece una solución práctica para contrarrestar los ataques de inyección de datos.

La propuesta de combinar aprendizaje continuo, pocos ejemplos y pérdidas de contraste establece un nuevo estándar para la defensa de sistemas biométricos frente a la evolución dinámica de las amenazas generadas por IA, asegurando la integridad de aplicaciones críticas como el control fronterizo, la aplicación de la ley y el acceso a dispositivos personales.