Face-Off：对抗性人脸模糊化
密码学与安全
2020-12-16 v2
摘要
深度学习的进展使人脸识别技术无处不在。尽管对社交媒体平台和用户有用，该技术带来了显著的隐私威胁。结合其拥有的关于用户的丰富信息，服务提供商可以将用户与社交互动、到访地点、活动和偏好相关联——其中一些用户可能不愿分享。此外，各机构使用的人脸识别模型是由从社交媒体平台抓取的数据训练的。现有缓解这些来自非预期人脸识别的隐私风险的方法，对用户造成了不平衡的隐私-效用权衡。在本文中，我们通过提出 Face-Off 来解决这一权衡，Face-Off 是一个保护隐私的框架，通过对用户人脸引入策略性扰动来阻止其被正确识别。为实现 Face-Off，我们克服了一系列与商业人脸识别服务的黑盒性质以及度量网络对抗攻击文献匮乏相关的挑战。我们实现并评估了 Face-Off，发现它欺骗了来自 Microsoft、Amazon 和 Face++ 的三家商业人脸识别服务。我们对 423 名参与者的用户研究进一步表明，这些扰动对用户而言代价可接受。
引用
@article{arxiv.2003.08861,
title = {Face-Off: Adversarial Face Obfuscation},
author = {Varun Chandrasekaran and Chuhan Gao and Brian Tang and Kassem Fawaz and Somesh Jha and Suman Banerjee},
journal= {arXiv preprint arXiv:2003.08861},
year = {2020}
}
备注
Published in PoPETs 2021