人脸识别系统中保护隐私的联邦学习方法

最先进的人脸识别系统通常在单台计算机上训练，利用从不同数量用户收集的大量图像数据集。然而，这些数据集往往包含敏感的个人隐私信息，用户可能不愿披露。为解决潜在的隐私问题，我们探讨了联邦学习在监督和无监督人脸识别系统中的应用，包括使用和不使用安全聚合器的情况。联邦学习通过在存储数据的去中心化边缘设备上训练模型，实现了共享模型的训练，而无需共享个体私有数据。在我们提出的系统中，每个边缘设备独立训练其自己的模型，随后将其传输至安全聚合器或直接传输至中央服务器。为了在不传输数据的情况下引入多样化数据，我们利用生成对抗网络 (GAN) 在边缘生成 impostor 数据。此后，安全聚合器或中央服务器组合这些个体模型以构建全局模型，然后将其回传至边缘设备。基于 CelebA 数据集的实验结果表明，在监督和无监督人脸识别系统中采用联邦学习具有双重优势。首先，由于原始数据保留在边缘设备上，因此保护了隐私。其次，实验结果表明，聚合模型产生的性能与个体模型几乎相同，特别是在联邦模型未使用安全聚合器时。因此，我们的结果揭示了隐私保护人脸图像训练的实际挑战，特别是在隐私与准确性之间的平衡方面。