May, 2024

模型无关的保护实用性的生物识别信息匿名化

PDF
TL;DR利用生物识别技术的高风险性及潜在隐私问题，本文提出了一种新颖的数据转换框架，可实现对生物识别数据的匿名化处理，以降低敏感信息泄露的风险并保留下游机器学习分析所需的特征。实验证明了该框架能通过高度抑制敏感信息的方式，同时保持数据的实用性，从而使得对匿名化生物识别数据的后续分析仍能达到令人满意的准确性。
biometricsprivacy concernsanonymizingsensitive informationdata utility
发现论文，激发创造
  • 传感器数据隐私和效用保护转换

    为了减轻从可穿戴设备或便携设备共享原始传感器数据到云辅助应用程序时可能遇到的隐私威胁，我们提出了在数据共享之前对传感器数据进行转换的机制，旨在通过消除可用于用户重新识别或推断敏感活动的模式，同时引入目标应用程序（或任务）的轻微效用损失来实现目的。我们展示了在手势和活动识别任务上，可以防止推断可能敏感的活动，同时使非敏感活动的识别准确率降低不超过 5 个百分点，并将用户重新识别和性别潜在推断的准确性降到随机猜测的水平，同时保持活动识别的准确性与原始数据中获得的准确性相当。

    Nov, 2019

  • 移动传感器数据匿名化

    通过信息论方法，设计并使用多目标损失函数训练基于自编码器的移动设备上的传感器数据匿名化方法，实现了保护用户隐私的同时，仍具备监测用户选择日常活动的应用工具。

    Oct, 2018

  • 保护感官数据免受敏感推断影响

    本研究提出了移动设备的特征学习体系结构，以适当转换原始感测器数据提供灵活的、可协商的隐私保护传输，并将模型从当前的二进制设置向每个应用程序授予权限的范围内推进，以实现提供的服务。该框架已在 MotionSense 数据集上验证，在保持转换数据对活动识别的有用性的同时，仅有约 3 个百分点的平均损失，同时将性别分类的可能性从使用原始感测器数据时的 90％以上降至使用转换数据时的 50％左右。

    Feb, 2018

  • SensitiveNets: 学习应用于人脸图像的不可知表示

    本文提出了一种新颖的隐私保护神经网络特征表示方法，使得学习到的空间中的敏感信息得以削弱，同时保持数据的实用性；该方法不仅保证了用户数据的隐私，而且还提升了算法的公平性和结果的可行性。

    Feb, 2019

  • 基于掩码模板的隐私保护

    该论文提出了保护个人隐私的重要性，并探讨了通过防止非授权识别算法获取原始图像的实际特征，从而保护人体基 ometrics 的图象隐私的方法。

    Feb, 2022

  • GANonymization: 基于 GAN 的人脸匿名化框架，用于保留情绪表达

    本研究介绍了 GANonymization，一种基于生成对抗网络的面部匿名化框架，用于保护个人隐私并防止释放敏感信息。该方法被评估为能够移除识别面部属性，同时保持面部表情，是一种很有前途的面部匿名化方法。

    May, 2023

  • MaSS: 多属性选择性压制从信息论的角度实现数据的保用变换

    我们提出了一个形式化的信息论定义，设计了一个可学习的数据转换框架，能够选择性地抑制目标数据集中的敏感属性，同时保留其他有用属性，无论其是否事先已知或明确注解以便保留。通过对多种模态的数据集进行全面的实验评估，包括人脸图像、语音音频片段和人体活动传感器信号，结果显示我们的方法在多种配置和任务下都具有有效性和普适性。

    May, 2024

  • 去中心化人脸识别部署中人脸嵌入的高效聚合（扩展版）

    本文提出了一种可以基于嵌入聚合的高效的人脸识别方法，该方法可以用于构建大规模、去中心化的系统，同时重视隐私保护和长期可用性。

    Dec, 2022

  • 采用对抗指纹识别来量化得分生成模型的样本匿名性

    本文提出了一种通过设计对抗方法搜索解剖指纹（如医疗设备或皮肤艺术）来估计重现可识别训练图像的概率上限的方法，利用学习到的基于分数的模型估计可能用于一对一复制训练样本的分数函数子空间的概率，结果表明，如果模型没有小心训练，则在采样时会复制侵犯隐私的图像。

    Jun, 2023

  • AI 技术对特征保留上下文中的工业图像和视频数据进行匿名化研究

    随着技术的不断提升，保护隐私信息变得越来越重要。本研究应用基于深度学习的全身匿名化框架 DeepPrivacy2，将人工身份生成应用于工业图像和视频数据，并与传统匿名化技术进行性能比较，考虑了身份生成质量、时间一致性以及姿势估计和动作识别的适用性。

    May, 2024