基于频率滤波编码器的隐私安全表示学习
计算机视觉与模式识别
2022-11-04 v1
摘要
深度学习模型正日益部署于现实应用中。这些模型通常部署于服务端，并接收信息丰富的用户数据表示以解决特定任务，如图像分类。由于图像可能包含用户不愿分享的敏感信息，隐私保护变得愈发重要。对抗表示学习(ARL)是一种常用方法，用于训练运行在客户端的编码器以混淆图像。通常假定混淆后的图像可安全传输并在服务端用于该任务而无隐私顾虑。然而，本工作中我们发现，训练一个重建攻击器可成功恢复现有 ARL 方法的原始图像。为此，我们引入一种通过低通滤波增强的新型 ARL 方法，限制频域中可被编码的信息量。实验结果表明，我们的方法可抵御重建攻击，同时在隐私-效用权衡上优于先前的最先进(state-of-the-art)方法。我们进一步开展用户研究，以定性评估我们对重建攻击的防御。
引用
@article{arxiv.2208.02483,
title = {Semantic Segmentation of Fruits on Multi-sensor Fused Data in Natural Orchards},
author = {Hanwen Kang and Xing Wang},
journal= {arXiv preprint arXiv:2208.02483},
year = {2022}
}