Apr, 2024

利用全同态加密增强面部分析的隐私

PDF
TL;DR我们提出了一种新颖的技术，结合了全同态加密（FHE）和现有的模板保护方案 PolyProtect，通过多项式变换将嵌入式压缩加密，进一步保护密集的 PolyProtect 模板，确保面部嵌入的不可逆性和不可关联性，有效地防止了从面部嵌入中泄露软生物识别属性而不损害识别准确性。
face recognition systemstemplate protectionfully homomorphic encryptionpolyprotectsoft biometric attributes
发现论文，激发创造
  • 使用全同态加密的安全人脸匹配

    本文研究了基于完全同态加密框架来保护面部模板数据库的隐私，并探索了一个批量处理和降维计算方案来权衡面部匹配准确性和计算复杂性，实验结果表明，安全面部匹配在维护匹配性能的同时，也已经可以得到实用。

    May, 2018

  • 基于全同态加密的树型隐私推断

    本文介绍了使用 Fully Homomorphic Encryption 应用于基于树的数据模型，通过 Concrete-ML 库在加密选项卡 ular 数据上得到最先进的解决方案，此方法适用于决策树，随机森林和梯度提升树等广泛使用的基于树的模型，而且在准确性方面与未受保护版本非常接近。

    Feb, 2023

  • 利用概率隐私保护逆向深度人脸嵌入

    通过评估非可逆性要求的满足程度以及面部嵌入提取器的漏洞评估，本文研究了声称提供软生物特征隐私保护的方法以及隐私保护中使用的转换复杂性，实验结果表明，受保护的面部嵌入可以在达到约 98% 的精度时重构。

    Oct, 2023

  • 基于全同态加密的隐私保护深度神经网络机器学习

    本文使用了 RNS-CKKS FHE 技术及 bootstrapping 策略，并采用最新的近似方法来评估非算术函数，成功实现了对 CIFAR-10 数据集上的 ResNet-20 模型进行 FHE 加密计算，并经过数值验证，得出分类准确率达到了 90.67%。

    Jun, 2021

  • 利用 TFHE 进行加密推断的深度神经网络

    本论文探讨了如何构建与 TFHE 约束兼容的深度神经网络，为计算机视觉任务提供了一种基于全同态加密的解决方案。

    Feb, 2023

  • 用于加密数据的高效 CNN 建模块

    本文介绍充分同态加密 (Fully Homomorphic Encryption, FHE) 在机器学习中的应用，针对现有文章只关注于数据安全而忽略模型参数的安全问题，以及高层级的实现不提供对深度卷积神经网络 (CNNs) 中的卷积、非线性激活和汇聚等常见操作的精确性、安全性和速度之间权衡问题，基于 CKKS 算法，提出了使用 FHE 保护输入数据和模型参数的 MLaaS 机制，并在经典的 MNIST 数据集上进行了实现和测试，结果表明设计参数选择会在正确性、安全和计算时间之间产生重要影响，同时还强调了其他设计选择如密文打包策略和多线程并行化也对推断过程的吞吐量和延迟产生了重要影响

    Jan, 2021

  • 基于完全同态加密的机密保护疾病分类器

    我们提出了一种结合完全同态加密和深度学习的框架，用于安全和私密的诊断系统，通过在加密输入数据上处理问题与回答的模型，实现了严格的安全性和隐私保护，同时在性能上几乎没有损失。

    May, 2024

  • IEEE 大数据杯 2022：基于深度学习的加密图像隐私保护匹配

    本文介绍了一个基于深度卷积神经网络和数据增强技术的解决方案，用于 IEEE Big Data Cup 2022 挑战中隐私保护匹配加密图像的任务，并在该挑战中获得第一名。主要关键词为智慧城市、智慧传感器、隐私保护、加密技术和深度卷积神经网络。

    Nov, 2022

  • 神经网络训练和推理中利用同态加密实现数据隐私保护

    本研究综述了利用同态加密解决神经网络数据隐私和安全问题的技术和策略，并分析了同态加密在神经网络训练和分类方面的当前研究现状、分类以及优化加密模型准确性和效率的技术。评估结果表明，尽管同态加密可以为神经网络提供强大的数据隐私保证，但仍存在许多挑战需要解决，例如对高级神经网络运算的有限支持、可扩展性问题以及性能平衡问题。

    May, 2023

  • 混合频 - 色域隐私保护人脸识别

    通过频率 - 颜色融合，基于身份的嵌入映射和安全多方计算等方法，提出一种隐私保护的人脸识别方案，以降低维度、保护个人隐私并获得更高的准确率。

    Jan, 2024