通过隐私不可知聚类改进联邦学习人脸识别
计算机视觉与模式识别
2022-02-01 v1
摘要
公众对人脸识别中数据隐私的日益关注可通过联邦学习(FL)范式大幅缓解。然而，由于该任务的独特性，常规 FL 方法表现不佳：在客户端间广播类中心对人脸识别性能至关重要，但会导致隐私泄露。为解决隐私-效用悖论，本工作提出 PrivacyFace，一种通过客户端间通信辅助且隐私不可知的信息来大幅改进联邦学习人脸识别的框架。PrivacyFace 主要由两部分组成：首先，提出一种实用的差分隐私局部聚类(DPLC)机制，从局部类中心中提取经过净化的聚类；其次，随后一种共识感知识别损失鼓励客户端间达成全局共识，从而产生更具判别性的特征。所提框架被数学证明满足差分隐私，引入轻量开销并带来显著性能提升（例如，在 IJB-B 与 IJB-C 上 TAR@FAR=1e-4 分别提升 +9.63% 与 +10.26%）。在大规模数据集上的大量实验与消融研究证明了我们方法的有效性与实用性。
引用
@article{arxiv.2201.12467,
title = {Improving Federated Learning Face Recognition via Privacy-Agnostic Clusters},
author = {Qiang Meng and Feng Zhou and Hainan Ren and Tianshu Feng and Guochao Liu and Yuanqing Lin},
journal= {arXiv preprint arXiv:2201.12467},
year = {2022}
}
备注
ICLR2022, Spotlight