模型无关的实用性保护生物识别信息匿名化
机器学习
2024-05-27 v1
摘要
近期 sensing 与机器学习技术的快速发展，催生了对人们生物特征（如指纹、语音、视网膜/面部扫描或步态/动作/手势数据）的全球收集与应用，使其在身份验证、健康监测或更深层次分析等领域广泛落地。虽然为用户体验和业务洞察提供了更好的支持，但由于生物特征固有的敏感性及其高风险泄露身份信息或疾病状况，引发了严肃的隐私问题。本文提出一种新颖的模态无关数据转换框架，能够通过抑制其敏感属性来实现生物识别数据的匿名化，同时保留与下游基于机器学习的分析（在研究和商业价值方面）相关的特征。我们使用公开的人脸、语音和动作数据集进行了详尽的实验评估。结果表明，我们提出的框架能够实现对敏感信息的高水平抑制，同时保留数据实用性，使得对匿名化生物识别数据的后续分析仍能获得令人满意的准确率。
引用
@article{arxiv.2405.15062,
title = {Model-Agnostic Utility-Preserving Biometric Information Anonymization},
author = {Chun-Fu Chen and Bill Moriarty and Shaohan Hu and Sean Moran and Marco Pistoia and Vincenzo Piuri and Pierangela Samarati},
journal= {arXiv preprint arXiv:2405.15062},
year = {2024}
}
备注
Preprint of IJIS version, https://link.springer.com/article/10.1007/s10207-024-00862-8