Apr, 2018

用于生物特征数据的连体生成对抗隐私保护器

PDF
TL;DR本文探讨如何使用对抗性样本保护个人隐私信息，提出一种称为 SGAP 的方法，在保护隐私的同时最大程度地保留数据实用性，并在指纹和卡通脸生物数据集上验证了方法的有效性。
adversarial examplesprivacy preservationsiamese generative adversarial privatizerutilityidentifying information
发现论文，激发创造
  • 生成对抗隐私

    本文介绍了一种数据驱动的框架 —— 生成对抗隐私（GAP），可以让数据持有者直接从数据中学习隐私保护机制，并提供了适当选择对抗损失函数时的隐私保证。

    Jul, 2018

  • 上下文感知生成对抗隐私

    引入一种新的基于生成式对抗网络（GANs）的上下文感知隐私框架 (GAP)，GAP 通过让数据持有者从数据集中学习隐私化策略，绕过了常见的挑战，即在提供可证明的隐私保护的同时保留数据集的实用性，具有很高的实用性并且能够应用在缺乏数据统计信息的情况下。

    Oct, 2017

  • DeepPrivacy：一种用于人脸去识别的生成性对抗网络

    该研究提出了一种基于条件生成对抗网络的新型体系结构，可以在保留原始数据分布的同时自动地对图像中的人脸进行匿名处理，以隐私安全信息为基础生成图像实现了对图像中所有人脸的完全匿名化，并且引入了包括非传统姿势、遮挡脸部和背景变化巨大的人脸数据集。最后，该模型在保护图像隐私的同时也适合于进一步用于深度学习模型的训练。该模型是保证人脸匿名化的同时生成逼真图像的首个解决方案。

    Sep, 2019

  • AnomiGAN：用于匿名化私人医疗数据的生成对抗网络

    本文提出了一种名为 AnomiGAN 的框架，该框架使用生成对抗网络来可靠地保护个人医疗数据的隐私，同时保持高预测性能，并展示了其在机器学习中的实用性。

    Jan, 2019

  • 基于生成对抗网络的数据合成

    该研究提出了一种名为 table-GAN 的方法，使用生成对抗网络（GANs）合成伪造表格，用于保证数据匿名性和模型兼容性。实验证明，该方法在隐私和模型兼容性之间取得平衡，同时解决了数据泄露问题。

    Jun, 2018

  • 为私有深度学习生成人工数据

    利用生成对抗网络产生保护隐私的人造数据，限制潜在的隐私泄露，且成功地在此数据上训练和验证机器学习模型。

    Mar, 2018

  • 面部识别系统中的对抗样本生成方案

    利用自编码器潜在空间和主成分分析，本研究分析面部识别系统对抗性示例的脆弱性以及其对最新系统的规避和冒充攻击的潜在影响。尽管结果没有支持最初的假设，但为对抗性示例的生成带来了新的洞见，并开辟了该领域的新的研究方向。

    Apr, 2024

  • 面向私有语音生成的对抗表示学习

    通过生成式对抗网络（GANs）的模型设计，训练一个 U 型卷积神经网络，用于隐藏声音数据中的敏感个人信息，例如性别等。

    Jun, 2020

  • 利用对抗样本实现人脸生物特征去识别

    本文评估了使用两种广为人知的敌对生成方法 (BIM and ILLC) 来去识别个人图像的效果，并发现使用几乎不可察觉的敌对扰动来达到高的保护成功率 (抑制识别率) 并不容易。最后，我们发现敌对样本的可转移性受其生成网络的训练参数的影响非常大。

    Feb, 2023

  • 隐私保护对抗性人脸特征

    本研究提出了一种基于对抗特征的面部隐私保护 (AdvFace) 方法，通过在对手模型中生成对抗性的潜在噪声来破坏从对抗性特征到面部图像的映射，生成隐私保护的对抗性特征来防御面部重建攻击。实验表明，AdvFace 在维护面部识别准确性的同时，比目前最先进的面部隐私保护方法更有效地防御重建攻击。

    May, 2023