解耦与采样：在任务无关数据发布中保护敏感信息
密码学与安全
2022-03-25 v1 计算机视觉与模式识别
计算机与社会
机器学习
摘要
我们提出 sanitizer，一个用于安全且任务无关数据发布的框架。尽管发布数据集在计算机视觉的各类应用中持续产生重大影响，但当数据共享不受隐私顾虑阻碍时，其影响才大多得以实现。我们通过两阶段过程对数据集进行净化以缓解这些顾虑。首先，我们引入全局解耦阶段，将原始数据分解为敏感与非敏感潜在表示。其次，我们设计局部采样阶段，以差分隐私合成生成敏感信息，并将其与非敏感潜在特征合并，从而在保护隐私的同时创建有用表示。这一新形成的潜在信息是原始数据集的任务无关表示，其中敏感信息已被匿名化。尽管大多数算法以任务依赖方式净化数据，少数任务无关净化技术通过屏蔽敏感信息来净化数据。本工作中，我们表明若能对敏感信息进行私有合成，则可实现更好的隐私-效用权衡。我们通过在现有基准任务上超越 SOTA 基线并展示现有技术无法完成的任务，验证了 sanitizer 的有效性。
引用
@article{arxiv.2203.13204,
title = {Decouple-and-Sample: Protecting sensitive information in task agnostic data release},
author = {Abhishek Singh and Ethan Garza and Ayush Chopra and Praneeth Vepakomma and Vivek Sharma and Ramesh Raskar},
journal= {arXiv preprint arXiv:2203.13204},
year = {2022}
}
备注
Preprint