Page 180 - 《软件学报》2025年第7期

赵冬冬 等: 结合特征生成与重放的可扩展安全虹膜识别 3101

100 100
PTR-SIR PTR-SIR
90 GFR-SIR 90 GFR-SIR
80 Finetuning 80 Finetuning
70 70
遗忘率 (%) 50 遗忘率 (%) 50
60
60
40
40
30 30
20 20
10 10
0 0
200 250 300 350 400 200 250 300 350 400
类别数量 类别数量
(a) 扩展任务数 K=1 (b) 扩展任务数 K=2
100 100
90 90
PTR-SIR PTR-SIR
80 GFR-SIR 80 GFR-SIR
Finetuning Finetuning
70 70
60
遗忘率 (%) 50 遗忘率 (%) 60
50
40
40
30 30
20 20
10 10
0 0
200 250 300 350 400 200 250 300 350 400
类别数量 类别数量
(c) 扩展任务数 K=4 (d) 扩展任务数 K=5

图 8 Lamp 数据集上的遗忘率评估实验结果

从整体趋势可以看出, 随着任务数量的增加, 3 个方法在完成最后一轮任务增量学习之后的识别准确率都有
所下降, 但各个方法下降的幅度和下降趋势不同. 具体来说, 随着扩展任务数量的增加, Finetuning 方法的识别准确
率下降趋势是先急剧下降到较低水平, 后续变化趋于平缓. 该方法的识别准确率下降较大的原因是该方法在新数
据上微调模型, 从而导致模型主要学习到了当前任务的知识, 而遗忘了以往任务的大部分知识, 因此在以往任务数
据集上的识别准确率显著下降. GFR-SIR 方法的变化趋势是前几个任务下降较为缓慢, 而后面几个任务下降速度
变快, 尽管该方法在很大程度上缓解了遗忘, 降低了性能的下降幅度, 但在扩展任务过程中由于生成器生成的特征
质量的影响, 还是有一定的知识遗忘, 并且随着扩展任务数量的增加, 知识的遗忘逐渐累积, 导致识别准确率下降
逐渐加快. 而 PTR-SIR 方法的识别准确率变化趋势较为平缓, 相对于初始任务只有轻微下降, 这是因为 PTR-SIR
实现了在保护虹膜隐私数据的前提下让以往任务的数据以另一种形式参与到了当前任务模型的训练中.
遗忘率评估实验结果如图 8 所示, 从整体趋势上看, 不同方法的遗忘率曲线都是随着任务数量的增加而有所
上升, 但 3 个方法变化的趋势有所不同. 其中, Finetuning 方法在完成 1 轮任务的扩展训练之后遗忘率迅速上升, 达
到了 90% 以上, 而后趋于平缓, 也说明了该方法在扩展任务过程中的灾难性遗忘现象. GFR-SIR 方法的遗忘率曲
线随着任务数量的增加先缓慢上升, 而后有所加快, 在完成 5 轮任务的扩展训练之后为 32.24%, 相对于微调方案
在很大程度上缓解了知识的遗忘. 而 PTR-SIR 方法的遗忘率曲线则是趋于平缓, 在完成 5 轮任务的扩展训练之后
遗忘率为 0.14%, 说明该方法在很大程度上缓解了扩展任务过程中的知识遗忘, 也从另一个角度说明了该方法在