PASS：基于随机数据替换的私有属性保护方法
机器学习
2025-07-10 v2 机器学习
摘要
机器学习服务的快速发展需要大量收集用户数据，但这些数据可能不慎包含与服务无关的个人隐私信息。 various 研究已提出通过移除数据中的私有属性来保护隐私，同时维持数据对下游任务的实用性。然而，正如本文在理论和实证分析中所展示的，这些方法因其基于对抗训练策略所固有的弱点而暴露出严重的安全漏洞。为克服这一局限性，我们提出了一种新颖的方法——PASS——通过根据特定概率随机替换原始样本为另一个样本，以实现私有属性保护。该方法以信息论目标为基础，推导出用于保持实用性的损失函数。我们对PASS在多种不同模态的数据集上的全面评估，包括人脸图像、人体活动传感信号和语音录音数据集，均证实了PASS的有效性和广泛适用性。
引用
@article{arxiv.2506.07308,
title = {PASS: Private Attributes Protection with Stochastic Data Substitution},
author = {Yizhuo Chen and Chun-Fu and Chen and Hsiang Hsu and Shaohan Hu and Tarek Abdelzaher},
journal= {arXiv preprint arXiv:2506.07308},
year = {2025}
}