基于深度学习的隐私保护眼动追踪
计算机视觉与模式识别
2021-06-24 v2 机器学习
摘要
复杂机器学习方法（如深度学习）的日益广泛使用导致了人类活动识别的爆发式增长，尤其在健康领域的应用。特别是，作为大型身体传感器网络系统的一部分，用于评估健康状况的面部与全身分析正变得愈发普遍。然而，处理私密且有时受保护数据的复杂模型引发了关于可识别数据潜在泄露的担忧。在本工作中，我们聚焦于在个体面部图像上训练的深度网络模型这一情形。使用了来自 493 名接受基于眼动追踪的神经功能评估个体的全脸视频记录。将输出、梯度、中间层输出、损失和标签作为带附加支持向量机发射层的深度网络输入，以识别对训练数据的成员身份。该推断攻击方法及相关的数学分析表明，深度学习模型对非预期记忆面部特征的可能性较低。本研究表明，所述模型以合理置信度保护了训练数据的完整性。相同过程可在类似条件下针对不同模型实施。
引用
@article{arxiv.2106.09621,
title = {Privacy-Preserving Eye-tracking Using Deep Learning},
author = {Salman Seyedi and Zifan Jiang and Allan Levey and Gari D. Clifford},
journal= {arXiv preprint arXiv:2106.09621},
year = {2021}
}