MetaMorphosis：面向多任务学习的任务感知隐私特征生成
计算机视觉与模式识别
2023-05-16 v1 密码学与安全
分布式、并行与集群计算
摘要
随着计算机视觉应用的增长，深度学习和边缘计算通过将工作负载分配在边缘设备与云端之间，助力实现实用的协作智能（CI）。然而，在边缘设备上运行独立的单任务模型在计算资源和时间需求上效率低下。在此背景下，多任务学习允许利用单一深度学习模型执行多个任务，例如对输入视频帧进行语义分割和深度估计。该单一处理流水线生成被多任务模块共享的通用深度特征。然而，在协作智能场景中，生成通用深度特征存在两个主要问题。第一，深度特征可能无意中向后续模块暴露输入信息（侵犯输入隐私）。第二，所生成的通用特征暴露了超出某一任务预期的信息，其中用于一个任务的特征可被用于执行另一任务（侵犯任务隐私）。本文提出一种新颖的基于深度学习的隐私感知特征生成过程，称为 MetaMorphosis，其将推理能力限制于手头特定任务。为此，我们提出基于通道压缩激励的特征变形模块 Cross-SEC，以实现所有任务的差异化注意力，并提出带有差分隐私的去相关损失函数，用于训练产生对应任务专属隐私感知特征的深度学习模型。通过在包含场景理解与面部属性相关多样图像的四个数据集上的大量实验，我们表明 MetaMorphosis 以高效方式保障隐私需求，优于近期的对抗式学习与通用特征生成方法，适用于图像与视频分析。
引用
@article{arxiv.2305.07815,
title = {MetaMorphosis: Task-oriented Privacy Cognizant Feature Generation for Multi-task Learning},
author = {Md Adnan Arefeen and Zhouyu Li and Md Yusuf Sarwar Uddin and Anupam Das},
journal= {arXiv preprint arXiv:2305.07815},
year = {2023}
}
备注
Preprint version, 22 pages. Keywords: Multi-task learning, neural networks, collaborative intelligence, differential privacy, task privacy