ConfounderGAN：利用因果混杂因子保护图像数据隐私
计算机视觉与模式识别
2022-12-06 v1 人工智能
摘要
深度学习的成功部分归功于可从互联网自由下载的海量数据。然而，这也意味着用户的私人数据可能在未经同意的情况下被商业机构收集并用于训练其模型。因此，开发一种方法或工具以防止未经授权的数据利用十分重要且必要。本文提出 ConfounderGAN，一种生成对抗网络（GAN），可使个人图像数据不可学习，从而保护所有者的数据隐私。具体而言，生成器为每幅图像产生的噪声具有混杂因子属性。它能在图像与标签间建立虚假关联，使模型无法在此加噪数据集中学习从图像到标签的正确映射。同时，判别器用于确保所生成噪声微小且不可察觉，从而保持加密图像对人类的正常效用。实验在六个图像分类数据集上进行，包含三个自然物体数据集与三个医学数据集。结果表明，我们的方法不仅在标准设定下优于最先进方法，还可应用于快速加密场景。此外，我们展示了一系列可迁移性与稳定性实验，进一步阐明方法的有效性与优越性。
引用
@article{arxiv.2212.01767,
title = {ConfounderGAN: Protecting Image Data Privacy with Causal Confounder},
author = {Qi Tian and Kun Kuang and Kelu Jiang and Furui Liu and Zhihua Wang and Fei Wu},
journal= {arXiv preprint arXiv:2212.01767},
year = {2022}
}