MaSS：多属性选择性抑制
机器学习
2022-10-25 v2 密码学与安全
计算机与社会
摘要
近期机器学习技术的快速进步在很大程度上依赖于当今可用数据的极大丰富，无论是在数量还是所含内容的丰富度上。例如，诸如图像和声音等生物特征数据可揭示人们的年龄、性别、情绪和籍贯等属性，而位置/运动数据可用于推断人们的活动水平、出行方式和生活习惯。伴随此类技术进步所赋能的新服务与应用，各类政府政策相继出台以规范此类数据使用并保护人们的隐私与权利。结果，数据所有者常选择简单的数据模糊化（例如模糊图像中的人脸）或完全 withholding 数据，这导致数据质量严重下降并极大限制了数据的潜在效用。为寻求一种在保留最大数据效用的同时给予数据所有者细粒度控制的精巧机制，我们提出多属性选择性抑制（Multi-attribute Selective Suppression，MaSS），一种用于对数据进行精确靶向“手术”以同时抑制任意选定属性集合、同时保留其余属性供下游机器学习任务的通用框架。MaSS通过对两组网络之间的对抗博弈学习数据修饰器，其中一组旨在抑制选定属性，另一组通过通用对比损失及显式分类度量确保其余属性的保留。我们使用来自不同领域的多个数据集（包括人脸图像、语音音频和视频片段）对所提方法进行了广泛评估，并在MaSS的泛化能力及抑制目标属性而不负面影响数据在其他下游ML任务中可用性的能力方面获得了有前景的结果。
引用
@article{arxiv.2210.09904,
title = {MaSS: Multi-attribute Selective Suppression},
author = {Chun-Fu Chen and Shaohan Hu and Zhonghao Shi and Prateek Gulati and Bill Moriarty and Marco Pistoia and Vincenzo Piuri and Pierangela Samarati},
journal= {arXiv preprint arXiv:2210.09904},
year = {2022}
}