54、自适应生物识别系统与高斯密度修正散度研究

自适应生物识别系统与高斯密度修正散度研究

自适应生物识别系统的安全隐患

自适应生物识别系统在现代安全领域应用广泛，但它也存在被投毒攻击的风险。投毒攻击是一种精心设计的攻击方式，利用系统的自适应特性，在早期阶段（只需少量攻击迭代）就能严重破坏系统安全。据了解，这是首次在生物识别自适应系统的背景下强调这种脆弱性。

研究还发现，一些在无攻击的标准场景下可能更有益的自适应更新策略（如有限窗口策略），相比自适应程度较低的策略（如无限窗口策略），更容易受到投毒攻击。这表明在自适应生物识别系统中，需要在安全性和自适应便利性之间进行权衡，未来的工作应更详细地研究这一问题，例如考虑不同的自适应系统和更多的更新策略。

高斯密度修正散度的提出

在模式识别和机器学习中，多元高斯密度无处不在。衡量两个多元高斯之间的差异是这些领域的核心操作，但传统基于Kullback - Leibler（KL）散度和Bhattacharyya距离的度量方法，无法满足许多算法所需的所有度量公理。

为了解决这个问题，研究人员提出了对KL散度和Bhattacharyya距离的修改，将这两种度量转换为距离度量。具体来说，涉及到以下几种常见的散度度量：
- Jeffreys散度 (d_J(G_1, G_2)) ：
- 表达式为 (d_J(G_1, G_2) = \frac{1}{2}u^{\top}\Psi u + \frac{1}{2}tr{\Sigma_1^{-1}\Sigma_2 + \Sigma_2^{-1}\Sigma_1 - 2I})，其中 (\Psi = (\Sigma_1^{-1} + \Sigma_2^{-1}))