利用信息论隐私漏斗（PF）模型，开发出一种使用端到端训练框架的隐私保存表示学习方法，通过对抹消和实用性之间的权衡进行量化来实现。我们将其应用于最先进的人脸识别系统，该模型展示了在不同输入（从原始面部图像到派生或改进的嵌入）上的适应性，并且在分类、重建和生成等任务中表现出了竞争力。

Jan, 2024

提出了一种高效的隐私漏斗（PF）方法求解器，利用其凸凹差分（DC）结构。该求解器在已知分布和未知分布情况下均适用，能够有效地平衡隐私和效用的折衷，并满足 PF 的基本马尔可夫关系。

Mar, 2024

提出了一种基于隐私保护 GAN（PP-GAN）的新框架，将具有新颖真实性验证器和调节器模块的 GAN 用于人脸去识别问题，以确保在保持结构相似度的情况下产生去识别输出。该方法在隐私保护、实用保护和结构相似度方面的表现优于现有的人脸去识别技术，并提供了一种通过领域知识先验来封装 GAN 框架的实用解决方案。

Jun, 2018

使用 VQGAN 和 StyleGAN 等图像生成技术，我们提出了一种名为 PrivacyGAN 的新方法来保护面部图像的隐私，同时保持图像的可用性，特别适用于社交媒体应用。我们的方法通过将原始图像在嵌入空间内向伪装图像进行移动来实现，该方法在保护隐私指标和鲁棒性评估方面表现出了有效性。

Oct, 2023

本研究提出了一种基于判别信息的生成模型训练方法，通过优化一小部分样本的代表性，以实现高维数据的差分隐私保护，并有效提升了现有生成模型的样本效用。

Nov, 2022

本文提出了一种 PPRL-VGAN 模型，可实现面部表情识别和高质量图像生成，并在保护用户隐私和数据实用性方面取得了一定平衡。

Mar, 2018

本文主要介绍了使用差分隐私 DP 保证训练基础视觉模型的方法，以规避互联网规模数据的隐私和法律风险，并通过对 LAION400M 数据集上训练的视觉 Transformer ViP 的评估，展示了在严格隐私预算下获得可行的准确性和质量。

Jun, 2023

提出了一种基于差分隐私的自编码生成模型和变分自编码生成模型，这些模型可以有效地保护深度学习的隐私，并且经过评估具有较强的鲁棒性。

Dec, 2018

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

利用不同隐私保护方法在深度神经网络上进行私密训练，以实现维度较高的数据生成，并提出统一的方法以提供系统性的派生方法，满足不同用例的需求，探讨不同方法之间的优势、限制和内在相关性以启发未来研究，并提出前进的潜在途径以推动隐私保护学习领域的发展。

Sep, 2023