深度隐私梯子模型：从判别到生成方法及其在人脸识别中的应用
机器学习
2026-04-10 v2
摘要
本研究将信息论隐私梯子 (Privacy Funnel, PF) 模型应用于人脸识别，构建一种在端到端可训练框架下的隐私保留表征学习方法。该方法在对数损失下解决实用性与敏感信息隐蔽性之间的权衡。我们研究了信息论隐私原则与表征学习的集成，尤其关注人脸识别系统。我们还强调所提出框架与现代人脸识别网络（如 AdaFace 和 ArcFace）的兼容性。此外，我们引入生成性隐私梯子 () 模型，扩展了传统判别式 PF 公式（即判别式隐私梯子 ）。 proposed 模型在信息论与估计论准则下，将隐私梯子框架扩展至生成式表述。配套这些工作，我们提出深变分 PF (DVPF) 模型，给出可计算的变分上界，用于衡量信息泄露，实现深度表征学习环境下的优化。DVPF 框架与 和 模型相结合，还阐明了其与变分自编码器 (VAE)、生成对抗网络 (GAN) 和扩散模型的联系。最后，我们在现代人脸识别系统上验证了该框架，表明其在显著降低对敏感属性泄露的同时，提供了可控的隐私—实用性权衡。为促进可重复性，我们还发布了该框架的 PyTorch 实现代码。
引用
@article{arxiv.2404.02696,
title = {Deep Privacy Funnel Model: From a Discriminative to a Generative Approach with an Application to Face Recognition},
author = {Behrooz Razeghi and Parsa Rahimi and Sébastien Marcel},
journal= {arXiv preprint arXiv:2404.02696},
year = {2026}
}