该研究提出了一种基于可视化隐私顾问的方法，在图像内容方面扩展用户的隐私设置，以减轻用户分享图片带来的隐私风险和隐私泄露的风险。通过将个人信息映射为图像属性，从图像直接预测个人信息，了解不同用户在隐私属性方面的偏好，并在此基础上提出模型以预测用户在隐私风险方面的表现，并在一定程度上优于用户自己的隐私风险认知。

Mar, 2017

隐私是一个复杂、主观和语境相关的概念，对其进行定义十分困难。因此，对图像进行注释以训练隐私分类器是一项具有挑战性的任务。在本文中，我们分析了隐私分类数据集及以不同评估员对具有对立隐私标签的具有争议性图像的注释属性。我们讨论了适用于图像隐私分类的特征，并提出了八个特定于隐私且可人工解释的特征。这些特征提高了深度学习模型的性能，并且与维度更高的深度特征相比，它们自身在图像隐私分类中表现出更好的图像表示。

Oct, 2023

本文提出了一个基于场景信息和物品基数的图像隐私分类器 ——Graph Privacy Advisor，通过简化现有图形模型和提取最具信息量的视觉特征，使用更有效的低维特征取代高维图像特征，解决了有关偏差先验信息的问题。

Oct, 2022

本文研究了利用卷积神经网络和用户标签来自动预测图像的隐私，并将不同卷积神经网络中提取的深度特征进行比较，结果表明使用 ResNet 提取的特征的学习模型在图像隐私预测方面优于其他模型。同时，该研究结果还表明深度视觉特征和图像标签的组合可以提高预测性能。

Mar, 2019

本文研究并提出了一种基于深度特征和图像标签的图像隐私预测方法，结果表明该方法明显优于基于 SIFT 和 GIST 等基准线的方法以及采用 “标签袋” 作为特征的方法。

Oct, 2015

提出了一种融合来自卷积神经网络的对象、场景上下文和图像标签模态的方法，以准确预测在线分享图像的隐私。该方法可以识别出最有竞争力的模态，并预测目标图像的隐私标签。实验结果证明，该方法比单一模态和先前的隐私预测模型更准确地预测了敏感（或私密）内容。

Feb, 2019

隐私敏感目标识别任务通过为场景中的隐私敏感目标分配边界框来确定对象的隐私类别，并将该任务解释为场景中每个对象的隐私视角的视觉推理任务；因此，本文提出了一种名为 PrivacyGuard 的框架来处理此任务，该框架包含了三个核心阶段：结构化、数据增强和混合图生成与推理，通过这些阶段，可以改善场景的推理能力，并捕捉到微妙的上下文变化。

Jun, 2024

本文提出 “分割式打码” 方法，通过对用户研究发现，对涉及个人信息的图片区域进行模糊处理可以保护个人隐私，同时保留图片的有效信息。为此，我们提出了第一个包含多类隐私信息的大规模私人图像数据集，并提出了第一个自动打码模型。

Dec, 2017

研究一类私有学习问题，其中数据是私有特征和公共特征的联接。针对多编码器模型中的公共特征，开发了新的算法以仅保护某些足够统计量，从而实现了线性回归的保证效用改进，并在两个标准的私有推荐基准上达到了最先进的水平，证明了适应私有 - 公共特征分离的方法的重要性。

Oct, 2023

本文探讨了在重要领域（如辅助法律、银行、招聘和医疗抉择的学习模型），是否需要全部的输入特征才能在测试时返回准确的预测，并表明在个性化的环境下，每个人仅需要发布一小部分的这些特征就能保证系统准确度不受影响。研究显示，在一些学习任务中，个体只需提交不到总数据的 10％即可确保与使用完整信息的模型同样准确。同时，本文还提供了一个高效的序列算法来选择哪些属性应由每个个体提供。

Jan, 2023