人脸数据最小化：以浅层模型作为隐私过滤器

人脸识别服务已应用于诸多领域，并为人们带来极大便利。然而，一旦用户的面部数据被传输至服务提供商，用户便失去对其隐私数据的控制。近年来，由于面部数据泄露引发了各种安全与隐私问题。尽管已有许多隐私保护方法被提出，但它们通常在无法获知对手策略或辅助数据时失效。因此，本文在充分考虑人脸识别服务系统中极具代表性的上传面部图像与面部特征两种情况的基础上，提出了一种数据隐私最小化变换（PMT）方法。该方法可基于授权服务的浅层模型对原始面部数据进行处理，从而得到混淆数据。混淆数据不仅在授权模型上保持令人满意的性能、在其他未授权模型上限制性能，还能防止原始隐私数据通过 AI 方法与人眼视觉窃取而泄露。此外，由于服务提供商可能对接收的数据执行预处理操作，我们还提出了一种增强扰动方法以提升 PMT 的鲁棒性。另外，为使一张面部图像同时授权给多个服务模型，提出了一种多重限制机制以提高 PMT 的可扩展性。最后，我们进行了大量实验，评估所提 PMT 在防御人脸重建、数据滥用和人脸属性估计攻击方面的有效性。实验结果表明，PMT 在维持人脸识别准确率的同时，能很好地防止面部数据滥用与隐私泄露。