特征与证据之间的桥梁：二值属性驱动的绝对隐私

属性驱动隐私旨在隐藏单个用户的某一属性，不同于试图在某些数据中隐藏用户完整身份的匿名化。当需防范恶意推断所保护的属性为二值时，绝对隐私要求对数似然比为零，从而无证据强度。本文提出一种基于归一化流的方法，将特征向量映射至潜空间，其中与二值属性相关的证据与独立残差被解耦。可将其视为一种非线性判别分析，其映射可逆，允许通过将潜变量映射回原空间来生成数据。该框架允许操纵数据的对数似然比，从而可将其置零以实现隐私。我们在属性驱动隐私任务上展示了该方法的适用性，即从说话人嵌入中移除性别信息。在VoxCeleb2数据集上的结果表明，该方法在隐私与效用方面优于我们此前基于对抗解耦的实验。