GaitPrivacyON：基于无监督学习的隐私保护移动步态生物识别
计算机视觉与模式识别
2022-07-20 v2 人机交互
摘要
文献中大量研究已表明移动设备上的生物识别用于认证目的的潜力。然而，已有研究表明，与生物识别系统相关的学习过程可能暴露受试者的敏感个人信息。本研究提出GaitPrivacyON，一种新颖的移动步态生物识别验证方法，在提供准确认证结果的同时保护受试者的敏感信息。它包含两个模块：i）一个卷积自编码器，将生物识别原始数据的属性（如性别或正在进行的活动）转换为新的隐私保护表示；ii）一个基于卷积神经网络（CNNs）与循环神经网络（RNNs）结合Siamese架构的移动步态验证系统。GaitPrivacyON的主要优势在于第一模块（卷积自编码器）以无监督方式训练，无需指定要保护的受试者敏感属性。使用两个流行数据库（MotionSense和MobiAct）取得的实验结果表明，GaitPrivacyON有潜力在保持用户认证结果高于99%曲线下面积（AUC）的同时显著改善受试者隐私。据我们所知，这是首个考虑以无监督方式训练的隐私保护方法的移动步态验证方法。
引用
@article{arxiv.2110.03967,
title = {GaitPrivacyON: Privacy-Preserving Mobile Gait Biometrics using Unsupervised Learning},
author = {Paula Delgado-Santos and Ruben Tolosana and Richard Guest and Ruben Vera and Farzin Deravi and Aythami Morales},
journal= {arXiv preprint arXiv:2110.03967},
year = {2022}
}