基于对抗知识蒸馏的图像翻译模型成员隐私保护
计算机视觉与模式识别
2022-03-11 v1 密码学与安全
摘要
图像到图像翻译模型被证明易受成员推断攻击（MIA）的威胁，其中攻击者的目标是识别某个样本是否用于训练该模型。随着基于图像到图像翻译模型的应用日益增多，保护这些模型免受MIA攻击的隐私至关重要。我们提出对抗知识蒸馏（AKD）作为一种针对图像到图像翻译模型抵御MIA的防御方法。所提方法通过提升模型的泛化能力来保护训练样本的隐私。我们在图像到图像翻译模型上进行了实验，结果表明AKD实现了最先进的效用-隐私权衡，与常规训练模型相比，攻击性能降低高达38.9%，代价是生成输出图像质量略有下降。实验结果还表明，由AKD训练的模型比常规训练模型具有更好的泛化性。此外，与现有防御方法相比，结果表明在相同的隐私保护水平下，AKD训练的图像翻译模型生成质量更高的输出；而在相同输出质量下，AKD将隐私保护提升了30%以上。
引用
@article{arxiv.2203.05212,
title = {Membership Privacy Protection for Image Translation Models via Adversarial Knowledge Distillation},
author = {Saeed Ranjbar Alvar and Lanjun Wang and Jian Pei and Yong Zhang},
journal= {arXiv preprint arXiv:2203.05212},
year = {2022}
}