面部径向曲线表示下的高斯差分隐私人脸

在本文中，我们考虑了释放高斯差分隐私（GDP）3D 人脸的问题。人脸是一个具有许多特征且与个人身份固有联系的复杂结构。鉴于问题的维度，以正式隐私的方式保护这些数据既重要又具挑战性。我们将函数数据的近似差分隐私（DP）技术扩展到 GDP 框架。我们进一步提出了一种将 3D 人脸表示为一组函数的新型表示方法——面部径向曲线，然后利用我们提出的 GDP 函数数据机制。为了在注入噪声的同时保持人脸形状，我们在新型人脸表示中依赖于形状分析工具。我们表明，我们的方法保留了平均人脸的形状，并且在相同隐私预算下注入的噪声少于传统方法。我们的机制由两个主要部分组成，第一部分通常适用于函数值摘要（如非参数统计或函数数据分析中常见的摘要），而第二部分对盘状曲面具有通用性，因此其适用范围超越了人脸。