要約
深層学習に基づく顔認識モデルは、高計算コストを伴う完全精度の浮動小数点ネットワークを使用するという深層ニューラルネットワークの一般的な傾向に従っています。このようなネットワークを計算リソースが制約されるユースケースに展開することは、完全精度モデルに必要な大容量のメモリのためにしばしば実現不可能です。これまでのコンパクトな顔認識アプローチでは、特殊なコンパクトなアーキテクチャを設計し、実際の訓練データを使用してゼロから訓練することを提案していましたが、プライバシーに関する懸念により実際の訓練データが利用できない場合があります。本研究では、低ビット精度フォーマットによるモデル量子化に基づくQuantFaceソリューションを提示します。QuantFaceは、特定のアーキテクチャを設計したり、実際の訓練データにアクセスする必要なく、既存の顔認識モデルの計算コストを削減します。QuantFaceは量子化プロセスにプライバシーに配慮した合成顔データを導入することで、潜在的なプライバシー問題や実際の訓練データへのアクセスに関連する課題を軽減します。7つのベンチマークと4つのネットワークアーキテクチャを使用した広範な評価実験を通じて、QuantFaceが最大5倍のモデルサイズ削減を達成しつつ、実際の訓練データセットにアクセスせずに完全精度モデルの認証性能を大幅に維持できることを示しています。