仅保留必要信息：面向隐私保护视频异常检测的帕累托最优数据最小化
计算机视觉与模式识别
2026-03-30 v1
摘要
视频异常检测（VAD）系统越来越多地部署在安全关键环境中，需要大量数据来实现准确检测。然而，此类数据可能包含个人身份信息（PII），包括面部特征和敏感的属性信息，从而在欧盟《通用数据保护条例》（GDPR）下带来合规挑战。特别是，GDPR 要求个人数据应限制在严格必要范围内以满足指定的处理目的。为此，我们提出了 Only What's Necessary——一个面向 VAD 的隐私设计框架，明确控制暴露给检测管道的视觉信息的数量和类型。该框架结合了基于广度的和基于深度的数据最小化机制，在保留异常检测相关线索的同时抑制 PII。我们通过将最小化后的视频输入 VAD 模型和隐私推理模型，评估了多种最小化配置。我们采用两种基于排序的方法以及帕累托分析来刻画隐私与效用之间的权衡关系。从非支配前沿中，我们识别出最佳平衡点，在检测性能有限下降的情况下最小化个人数据暴露。在公开可用数据集上的广泛实验证明了所提出框架的有效性。
引用
@article{arxiv.2603.26354,
title = {Only Whats Necessary: Pareto Optimal Data Minimization for Privacy Preserving Video Anomaly Detection},
author = {Nazia Aslam and Abhisek Ray and Thomas B. Moeslund and Kamal Nasrollahi},
journal= {arXiv preprint arXiv:2603.26354},
year = {2026}
}
备注
10 pages, CVPR conference