PrivatEyes：基于联邦安全多方计算的外观注视估计
计算机视觉与模式识别
2024-03-01 v1 人机交互
摘要
最新的注视估计方法需要大规模训练数据，但其收集和交换构成了重大的隐私风险。我们提出了 PrivatEyes——这是第一种基于联邦学习 (FL) 和安全多方计算 (MPC) 的用于外观注视估计的隐私增强训练方法。PrivatEyes 使得能够在不同用户的多个本地数据集上训练注视估计器，并在服务器端安全地聚合各个估计器的更新。PrivatEyes 保证即使大多数聚合服务器是恶意的，个体注视数据仍保持私密。我们还引入了一种新的数据泄露攻击 DualView，表明 PrivatEyes 比以前的方法更有效地限制了私有训练数据的泄露。在 MPIIGaze、MPIIFaceGaze、GazeCapture 和 NVGaze 数据集上的评估进一步表明，提高的隐私性并未导致注视估计精度降低或计算成本大幅增加——这两方面均与其非安全对应方法相当。
引用
@article{arxiv.2402.18970,
title = {PrivatEyes: Appearance-based Gaze Estimation Using Federated Secure Multi-Party Computation},
author = {Mayar Elfares and Pascal Reisert and Zhiming Hu and Wenwu Tang and Ralf Küsters and Andreas Bulling},
journal= {arXiv preprint arXiv:2402.18970},
year = {2024}
}