社交网络去匿名化
本文提出了一种名为 AnonymousNet 的新框架,该框架包含四个阶段:面部属性估计、以隐私指标为导向的面部模糊处理、定向自然图像合成和对抗扰动。AnonymousNet 不仅在图像质量和属性预测准确性方面取得了最先进的成果,而且还首次展示了面部隐私的可衡量性和可分解性,以满足不同的要求和应用场景。实验进一步证明了该框架的有效性。
Apr, 2019
本研究旨在提出和开发混合隐私分类方法,以检测和分类 OSNs 中的隐私信息,并采用深度学习模型和基于本体论的模型进行隐私相关信息提取,实验结果表明该混合方法可有效帮助在线社交网络用户防范隐私泄漏。
Jan, 2021
本文使用机器学习和社交网络分析方法,对 Twitter 上超过 20000 个 Anonymous 账户进行了分析,发现少数几个高影响力的账户存在,并发现这些账户之间存在话题相似性,这些研究数据为之前的小规模定性研究提供了定量证据。
Jun, 2020
本文通过分析社交网站(如 Facebook)上可被利用用以预测个人特征的信息,提出了一种能够提供对某些统计模型中对用户的推断的透明度以及控制来隐瞒个人信息以控制信息泄露的方法,并利用该方法检查用户是否能够真正实现这一隐私保护的目标。在应用于大量真实用户 Facebook 数据的过程中,我们发现仅需隐藏用户 “Facebook Likes” 数据的一小部分即可抑制有关其个人特征的推断,然而,我们也发现企业可以通过改变用户模型来增加隐瞒的难度。
Jun, 2016
利用生成型神经网络构建一个新的面部去标识化流程,它可以合成虚拟的替代面部并应用于图像和视频中去标识化受试者,同时保留非身份相关的数据方面,并且证实这种基于 GNN 的去标识化方法非常有效,其去标识化后的图像能够达到近似随机的识别效果。
Jul, 2017
本文研究了基于社交网络的个性化推荐 —— 社交推荐算法在保护隐私的同时对推荐准确度的影响,并量化了算法的效用损失。研究表明,只有在隐私参数比较宽松的情况下或为社交网络中的一小部分用户提供可行的好的私密社交推荐。
May, 2011
我们通过大规模数据的收集和分析,评估了社交网络数据的替代方法,并对 Facebook 等热门网站进行了实际测试,在保证隐私的前提下,使用自适应的网络爬虫收集了数百万个连接,将数据构造成一张无向图。我们开发了一系列分析工具,用于分析社交网络图的特定属性,包括度分布、中心度分析、缩放定律和友谊分布等。
May, 2011
该论文研究了元数据与用户身份的关联特性,发现元数据可被用于用户身份识别,此外,论文还阐述了数据混淆策略的重要性,以及机器学习算法的效果,这对于社交媒体平台的数据发布具有强烈的启示意义。
Mar, 2018