Deep Learning para el Reconocimiento Robusto de Expresiones Faciales: Una Defensa Resiliente Contra Ataques Adversariales

Los ataques adversariales pueden ser extremadamente peligrosos, particularmente en escenarios donde la precisión de la identificación de expresiones faciales es de suma importancia. La contratación de métodos de entrenamiento adversarial resulta efectiva para mitigar estas amenazas. Aunque es efectiva, esta técnica requiere grandes recursos de computación. Este estudio tiene como objetivo fortalecer la resiliencia del modelo de aprendizaje profundo contra ataques adversariales mientras optimiza el rendimiento y la eficiencia de recursos. Nuestro método propuesto utiliza técnicas de entrenamiento adversarial para crear ejemplos adversariales, que se almacenan permanentemente como un conjunto de datos separado. Esta estrategia ayuda al modelo a aprender y mejora su resiliencia a los ataques adversariales. Este estudio también evalúa modelos sometiéndolos a ataques adversariales, como el Ataque de Un Pixel y el Método de Firmas de Gradiente Rápido, para identificar posibles vulnerabilidades. Además, utilizamos dos arquitecturas de modelo diferentes para ver cuán bien están protegidas contra ataques adversariales. Se compararon sus rendimientos para determinar el mejor modelo para hacer que los sistemas sean más resistentes mientras mantienen un buen rendimiento. Los hallazgos muestran que la combinación de la técnica de entrenamiento adversarial propuesta y una arquitectura de modelo eficiente resulta en una mayor resistencia a los ataques adversariales. Esto también mejora la fiabilidad del modelo y ahorra más recursos para la computación. Esto se evidencia por los altos resultados de precisión logrados con un 98.81% de precisión en los conjuntos de datos CK+. La técnica de entrenamiento adversarial propuesta en este estudio ofrece una alternativa eficiente para superar las limitaciones de los recursos computacionales. Esto refuerza el modelo contra ataques adversariales, resultando en incrementos significativos en la resiliencia del modelo sin pérdida de rendimiento.