Topic outline
Введение
Предмет дисциплины, её объём, содержание и связь с другими дисциплинами учебного плана. Биометрия как область знаний и исследований, связь с искусственным интеллектом и машинным обучением(задачи обучения с учителем, без учителя, с подкреплением). Типы биометрических данных. Основы биометрии(задачи, термины, ключевые метрики эффективности). Угрозы биометрических систем (защита биометрических данных от компрометации, состязательные атаки и зондирования моделей). Соревнования по обнаружению атак. Концепция преобразователя биометрия-код. Краткий обзор стандартов в области биометрии.Краткий обзор наборов биометрических данных.Статистический подход к анализу и классификации биометрических образов
Классификация и извлечение признаков в биометрических системах. Законы распределения биометрических признаков. Критерий информативности признаков. Оценка корреляции между признаками и ее влияние на результат работы классификаторов. Применение «наивного» классификатора Байеса для идентификации и верификации биометрических образов. «Осторожный» классификатор Байеса и его отличия от «наивной» схемы классификации. Группировка признаков по уровню корреляционной зависимости(сеть байесовских нейронов). Симметризация корреляционных связей образа. Оценка вероятностей ошибочных решений (FRR, FAR, EER). Подготовка данных (представление данных в более информативном виде, для дальнейшего вычисления признаков или подачи на вход нейронной сети). Извлечение признаков из временных рядов(о корреляционном, спектральном, кепстральном и вейвлет анализе биометрических данных). Построение спектрограмм с использованием преобразования Фурье. Шкала мел. Мел-кепстральные коэффициенты.Нейросетевой подход к анализу и классификации биометрических образов
Глубокие и широкие нейронные сети, их достоинства, недостатки и особенности обучения. Основы сверточных нейронных сетей. Задачи классификации и извлечения признаков с помощью многослойных сверточных нейронных сетей. Уязвимости сверточных сетей. Автокодировщики и их применение. Примеры архитектур нейронных сетей для анализа биометрических образов. Аугментация биометрических данных. Метод Монте-Карло. Инструменты для генерации синтетических данных. Критерии корректности наборов синтетических данных. Нейросетевые преобразователи биометрия-код (НПБК) на базе широких нейронных сетей. Серия стандартов ГОСТ Р 52633. Индикация близости с помощью меры Хемминга. Комплексирование глубоких и широких сетей. Попытки синтеза и обучения НПБК на базе многослойных нейронных сетей. Тестирование стойкости НПБК к атакам подбора на малых и больших выборках по ГОСТ Р 52633.3. Генерация синтетических биометрических образов по ГОСТ Р 52633.2. Краткий обзор других направлений в области нейронных сетей.Ансамблирование моделей классификации биометрических образов
Теорема Кондорсе. Общие принципы и схемы ансамблирования в биометрических системах (бэггинг, бустинг, стекинг, усреднение модели). Комитеты мер близости и критериев согласия для классификации биометрических образов. Комитеты нейронных сетей. Нейродинамика (динамический режим работы нейронных сетей). Дрифт модели. Искусственные иммунные системы (ИИС): применение в информационной безопасности и биометрии, существующие подходы, история развития направления (кризис и возрождение искусственных иммунных сетей). Модель искусственной иммунной сети на основе ансамблей классификаторов для задач биометрической аутентификации. Свойства модели (двойная пластичность, память, эмерджентность). Обучение модели с учителем. Обучение модели с подкреплением в процессе функционирования для учета изменений биометрического образа пользователя со временем.