使用可变形算子进行安全任务学习的隐私保护深度学习
计算机视觉与模式识别
2024-04-10 v1 密码学与安全
图像与视频处理
摘要
在云计算和数据驱动应用的时代，保护敏感信息以维护数据隐私、确保系统真正可靠至关重要。因此，在深度学习系统中保护隐私已成为一个关键问题。现有的隐私保护方法依赖于图像加密或感知转换方法。然而，这些方法通常面临任务性能下降和高计算成本的问题。为了应对这些挑战，我们提出了一种新颖的隐私保护框架，该框架使用一组可变形算子进行安全任务学习。我们的方法涉及在模数转换过程中打乱像素以生成视觉受保护的数据。然后将这些数据输入到一个用可变形算子增强的知名网络中。使用我们的方法，用户无需额外训练即可通过密钥获得与原始图像相当的性能。此外，我们的方法实现了针对未经授权用户的访问控制。实验结果证明了我们方法的有效性，展示了其在基于云的场景和隐私敏感应用中的潜力。
引用
@article{arxiv.2404.05828,
title = {Privacy-Preserving Deep Learning Using Deformable Operators for Secure Task Learning},
author = {Fabian Perez and Jhon Lopez and Henry Arguello},
journal= {arXiv preprint arXiv:2404.05828},
year = {2024}
}
备注
copyright 2024 IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works