ריטה אוסדצ'י

ריטה אוסדצ'י
אין תמונה חופשית
אין תמונה חופשית
ענף מדעי מדעי המחשב
מקום לימודים אוניברסיטת חיפה עריכת הנתון בוויקינתונים
מנחה לדוקטורט Daniel Keren עריכת הנתון בוויקינתונים
מוסדות אוניברסיטת חיפה עריכת הנתון בוויקינתונים
rita.osadchy.net
לעריכה בוויקינתונים שמשמש מקור לחלק מהמידע בתבנית

מרגריטה (ריטה) אוסדצ'י היא פרופסור למדעי המחשב, המכהנת כראש החוג למדעי המחשב באוניברסיטת חיפה.[1] תחומי המחקר שלה הם אבטחה ופרטיות של מידע ביומטרי ואלגוריתמי למידת מכונה, ראיה ממוחשבת, מדע הנתונים ולמידת מכונה.[2]

ביוגרפיה

למדה לתואר ראשון (1992–1994) ותואר שני (1994–1997) במתמטיקה ומדעי המחשב באוניברסיטת חיפה. במקביל ללימודי התואר השני ועד 2001, עבדה בחברת הביו-טק Biosense Webster, תחילה כמהנדסת תוכנה ובהמשך כמדענית.[3][4]

בין 1998 ל-2002 למדה לתואר דוקטור במדעי המחשב ומתמטיקה באוניברסיטת חיפה, בהנחיית דניאל קרן.[3] עבודת התזה שלה עסקה באלגוריתם חדש לזיהוי עצמים בתמונה. ניתן להשתמש באלגוריתם לזיהוי פרצופי אדם בתמונה, זיהוי עצמים מסוימים בתצלומי אוויר (למשל מטוסים בתצלום אווירי של נמל תעופה) וזיהוי אובייקט תלת-ממדי מזוויות שונות.[5]

מ-2001 עד 2004 עבדה כמדענית בפוסט-דוקטורט במעבדות של תאגיד האלקטרוניקה ומערכות המידע NEC (אנ'), בפרינסטון, ניו ג'רזי. בנוסף פיתחה אלגוריתמי זיהוי וקיטלוג עצמים במשרת פוסט-דוקטורט בטכניון.[3][4]

החל מ-2005 עובדת באוניברסיטת חיפה.[3] נכון ל-2023, אוסדצ'י מכהנת כראש החוג למדעי המחשב.[1] בנוסף מכהנת בוועדה המדעית המכווינה של המרכז לחקר סייבר משפט ומדיניות.[6]

מחקר

אבטחה של מידע ביומטרי

התגברות השימוש במערכות זיהוי ביומטרי (כגון זיהוי טביעות אצבע וזיהוי פנים) הובילה לצורך גובר באבטחת המידע הביומטרי. אוסדצ'י פרסמה מספר מאמרים שעוסקים בתחום זה.

ב-2010 אוסדצ'י ושותפים פיתחו מערכת לזיהוי פנים באמצעות חישוב רב-משתתפים בטוח. במערכת זו שרת המכיל מאגר מסווג של פרצופי חשודים, ומצלמות שאוספות מידע ממקומות ציבוריים. כדי לשמור על פרטיותם של כל המשתתפים, על השרת לא להיחשף לווידאו שמגיע מהמצלמות (כדי לשמור על פרטיות הציבור), ועל המצלמות לא להחשף למאגר הפרצופים המסווג (כדי לשמור על המידע המסווג של הרשויות). למרות שכל צד חשוף רק לחלק מהמידע, המערכת השלמה מסוגלת לקבוע האם חשוד הופיע באחת מהמצלמות (למרות שהמצלמה לא תדע מיהו החשוד, והשרת לא יכיר את הווידאו). כדי להשיג מטרה זו, אוסדצ'י ושותפיה יצרו פרוטוקול מאובטח המתבסס על הצפנה הומומורפית והעברה עלומה, ובנוסף פיתחו אלגוריתם זיהוי פנים חדש המותאם לחישוב רב-משתתפים בטוח.[7]

כמו כן, אוסדצ'י ושותפים פיתחו שיטות ליצירה של תמונות פנים מלאכותיות אך בעלות מאפיינים ריאליסטיים. אוסדצ'י יישמה שיטות אלה לטובת יצירת מאגר תמונות גדול לשם מדידת ביצועים של אלגוריתמי זיהוי פנים בטוחים (ראה נתונים סינתטיים (אנ')).[8] בנוסף תיארה כיצד לבנות מערכת אימות מבוססת זיהוי פנים שתאגור תמונות פנים של משתמשים לצד תמונות פנים מלאכותיות, באופן שיקשה על פורץ להבדיל בין תמונות אמיתיות לתמונות מלאכותיות, ויאפשר לזהות את הפריצה ביותר קלות (שכן הפורץ עלול לנסות להזדהות באמצעות תמונת פנים מלאכותית, שהמערכת תדע לזהות).[9]

למידת מכונה

ב-2004 אוסדצ'י, מאט מילר ויאן לקון, פיתחו שיטה חדשה לזיהוי פנים והבעת הפנים. השיטה מתבססת על רשת קונבולוציה.[10]

ב-2017 אוסדצ'י ושותפים פרסמו מאמר המתאר כיצד לייעל משמעותית ספקטרוסקופיית ראמאן (אנ') באמצעות רשת קונבולוציה עמוקה. ספקטרוסקופיית ראמאן היא שיטה לזיהוי חומרים באמצעות תנודות מולקולריות, שבשימוש לבקרה תעשייתית ולמחקר בתחומים כמו רפואה, כימיה, פיזיקה וגאולוגיה. לפני המחקר, ספקטרוסקופיית ראמאן דרשה תהליכי עיבוד-מקדים מסורבלים כדי לנקות רעש מהמדידות. המחקר הראה שניתן להפעיל רשת קונבולוציה עמוקה על המדידות ללא עיבוד-מקדים יקר, וכך להביא לייעול משמעותי.[11]

בנוסף, אוסדצ'י עוסקת בייעול של למידת מכונה.[12] למשל, ב-2020 פרסמה מאמר שמתאר דרך לכווץ רשתות נוירונים, במטרה לאפשר להריצם על מכשירים בעלי כוח חישוב מוגבל.[13]

מנגנון CAPTCHA עמיד מול מודלי למידה עמוקה

(a) - התמונה המקורית, שהמודל מסווג ככלב רועים שלטי. (b) - רעש שנוצר במטרה לבלבל את המודל. (c) - התמונה אחרי שהורעשה. כעת המודל מסווג את התמונה כאופניים דו-מושביים.

מודלי למידה עמוקה אפשרו למחשבים לפתור בעיות CAPTCHA קלאסיות, כגון זיהוי תווים וזיהוי עצמים.[14][15] כחלק מהמאמץ להפיכת CAPTCHA לעמידה אל מול מודלי למידה עמוקה, אוסדצ'י פיתחה הוכחת היתכנות למערכת CAPTCHA מודרנית, המבוססת על סיווג אובייקטים, באופן כזה שמודלי למידה עמוקה לא יוכלו לעבור את המבחן. אוסדצ'י ושותפיה התבססו על טכניקות מתחום למידת מכונה אדברסרית (אנ') כדי להרעיש תמונות בצורה שתבלבל מודלי למידה עמוקה (אך לא בני אדם). השיטה חסינה לניסיונות להסרת הרעש, ובנוסף מאפשרת ליצור את התמונות המורעשות ביעילות.[16][17]

קישורים חיצוניים

הערות שוליים

  1. ^ 1 2 החוג למדעי המחשב, באתר cs.hevra.haifa.ac.il
  2. ^ Margarita Osadchy, rita.osadchy.net
  3. ^ 1 2 3 4 קורות חיים - ריטה אוסדצ'י, באתר אישי, ‏2006 (באנגלית)
  4. ^ 1 2 Margarita Osadchy, ברשת החברתית LinkedIn
  5. ^ Antifaces: A novel, fast method for image detection, scholar.google.com
  6. ^ Dr. Margarita Osadchy, cyber.haifa.ac.il
  7. ^ Margarita Osadchy, Benny Pinkas, Ayman Jarrous, Boaz Moskovich, SCiFI - A System for Secure Face Identification, IEEE Symposium on Security and Privacy, 2010
  8. ^ G en F ace: Improving Cyber Security Using Realistic Synthetic Face Generation, scholar.google.com
  9. ^ Mor Ohana, O. Dunkelman, S. Gibson, Margarita Osadchy, HoneyFaces: Increasing the Security and Privacy of Authentication Using Synthetic Facial Images, ArXiv, 2016-11-11
  10. ^ Synergistic face detection and pose estimation with energy-based models, scholar.google.com
  11. ^ Deep convolutional neural networks for Raman spectrum recognition: a unified solution, scholar.google.com
  12. ^ Haifa U: Neurotech Community Day, Brainstorm IL
  13. ^ Data-independent structured pruning of neural networks via coresets, scholar.google.com
  14. ^ Elie Bursztein, Jonathan Aigrain, Angelika Moscicki, John C. Mitchell, The end is nigh: generic solving of text-based CAPTCHAs, Proceedings of the 8th USENIX conference on Offensive Technologies, WOOT'14, USENIX Association, 2014-08-19, עמ' 3 doi: 10.5555/2671293.2671296
  15. ^ I. Goodfellow, Yaroslav Bulatov, Julian Ibarz, Sacha Arnoud, Vinay D. Shet, Multi-digit Number Recognition from Street View Imagery using Deep Convolutional Neural Networks, CoRR, 2013-12-20
  16. ^ Margarita Osadchy, Julio Hernandez-Castro, Stuart Gibson, Orr Dunkelman, Daniel Perez-Cabo, No Bot Expects the DeepCAPTCHA! Introducing Immutable Adversarial Examples, With Applications to CAPTCHA Generation, IEEE Transactions on Information Forensics and Security 12, 2017-11, עמ' 2640–2653 doi: 10.1109/TIFS.2017.2718479
  17. ^ Hacking Deep Learning: DeepCAPTCHA- Protection Mechanisms Based on Adversarial Example, ערוץ היוטיוב של מרכז המחקר לקריפטוגרפיה יישומית ואבטחת סייבר באוניברסיטת בר-אילן, ‏25 במרץ 2018 (באנגלית)