Page 182 - 《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 3103

问题. 而 PTR-SIR 方法在完成 5 轮的扩展任务之后性能为 89.6%, 相对于第 1 轮的性能下降了 2.72%, 也说明了该
方法在保持性能方面的有效性. 此外, 从实验结果还发现一个现象, 在任务数量为 5 时, 在完成第 1 轮的扩展任务
时出现了 GFR-SIR 方法的识别准确率比 PTR-SIR 方法更高. 经过分析可知, 这是由于在该参数设置下, 第 1 轮扩
展任务过程中通过 PerMIF 变换和转换网络将虹膜图像转换为隐私保护模板造成的特征损失较大, 从而导致在生
成的隐私保护模板上训练的识别网络的识别准确率较低, 本文认为造成该任务下隐私保护模板特征损失较大与该
任务所对应类别数据的特性有关.

100 100
PTR-SIR PTR-SIR
90 90
GFR-SIR GFR-SIR
80 Finetuning 80 Finetuning
70 70
60
60
遗忘率 (%) 50 遗忘率 (%) 50
40
40
30 30
20 20
10 10
0 0
500 600 700 800 900 1 000 500 600 700 800 900 1 000
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 80
GFR-SIR GFR-SIR
70 Finetuning 70 Finetuning
60
60
遗忘率 (%) 50 遗忘率 (%) 50
40
40
30 30
20 20
10 10
0 0
500 600 700 800 900 1 000 500 600 700 800 900 1 000
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 10 Thousand 数据集上的遗忘率评估实验结果

此外, 从图 10 中的遗忘率评估实验结果可以看出, 微调方案的遗忘率曲线变化规律与 Lamp 上类似, 在完成
1 轮任务扩展训练之后模型的遗忘率就达到了 80% 以上, 而完成 5 轮任务的扩展训练时遗忘率为 91.19%. 本文
的 GFR-SIR 方案遗忘率的变化趋势则是随着任务数量的增加而增加, 在完成 5 轮任务的扩展训练之后遗忘率接
近 40%, 说明本方法相对于微调的方法在很大程度上缓解了知识的遗忘. 而 PTR-SIR 方法的遗忘率变化趋势则是
先上升后下降, 该变化趋势的原因已在识别准确率评估部分进行了分析. 在完成 5 轮任务的扩展训练时, 遗忘率接
近 3%, 相对于微调方法降低超过 88%, 该结果也说明了本方法可以更加有效地缓解知识遗忘. 从图 9 中的识别准
确率实验结果和图 10 中的遗忘率实验结果对比可以发现, 识别准确率和遗忘率的变化呈现相反的趋势, 说明本文
方法在减少扩展任务识别准确率降低幅度的同时, 也降低了遗忘率提升的幅度. 因此, 两个方面的评估结果相互验