本地设置下的隐私保护图像分类

图像数据在日常生活里由个人与商业厂商大量产生，并已应用于广告、医疗与交通分析等诸多领域。近来，图像数据在社会效用（如应急响应）中也显得极为重要。然而，由于图像可能泄露个人身份与位置等敏感信息，隐私问题成为阻碍进一步挖掘图像数据的最大障碍。近期发展的本地差分隐私（LDP）为我们带来一种有前景的方案，它允许数据拥有者在发布前对输入进行随机扰动以提供数据的可否认性。本文考虑一个两方图像分类问题，其中数据拥有者持有图像，不可信的数据使用者希望以这些图像为输入拟合机器学习模型。为保护图像隐私，我们提出在透露给数据使用者之前对图像表示进行本地扰动。随后，我们分析了该扰动如何满足 {\epsilon}-LDP，并如何影响基于计数与基于距离的机器学习算法的数据效用，并提出一种有监督图像特征提取器DCAConv，其产生具有可扩展域大小的图像表示。实验表明，在多个图像基准数据集上，DCAConv能在保护隐私的同时保持较高的数据效用。