汎用的なマルチモーダルLLMは、人間の顕著性を介して生体認証の専門知識を獲得する

要約: 虹彩呈示攻撃検出（PAD）は、安全な生体認証の展開において重要ですが、専門的なモデルの開発には重大な実務的障壁があります：将来の未知の攻撃を表すデータを収集することは不可能であり、十分に多様なデータを収集しても、予測力には限界があり、高価です。さらに、生体認証データの共有にはプライバシー上の懸念が生じます。適応可能な解決策を求める新たな攻撃ベクトルが急速に出現しているため、本論文では、一般用途のマルチモーダル大規模言語モデル（MLLMs）が、人間の専門知識を補完として活用することで虹彩PADを実行できるか、公開クラウドMLLMサービスへ生体データを送信することを禁じる厳格なプライバシー制約の下で検討します。本データセットに適用した視覚エンコーダの埋め込みの分析を通じて、MLLMsにおける事前学習済みのビジョン・トランスフォーマーは、このタスクのために明示的に訓練されたことがないにもかかわらず、多くの虹彩攻撃タイプを本質的にクラスタリングすることを示しています。しかし、クラスタリングが攻撃クラス間の重複を示す場合には、人間の顕在性を組み込んだ構造化プロンプト（攻撃指標を特定する被験者の口頭説明）を用いることで、これらのモデルは曖昧さを解消できることが分かりました。IRB制限を受けた224枚の虹彩画像データセットを用い、7種類の攻撃タイプにまたがる実験を、大学公認のサービス（Gemini 2.5 Pro）のみ、またはローカルにホストされたモデル（例：Llama 3.2-Vision）を用いて実施したところ、専門家情報を反映したプロンプトを用いたGeminiは、専門的なCNNベースのベースラインおよび人間の審査員を上回る成果を示し、同時にローカル展開可能なLlamaはほぼ人間と同等のパフォーマンスを達成しました。我々の成果は、機関のプライバシー制約の下で展開可能なMLLMが、虹彩PADに有効な道を提供することを示しています。