屏蔽面部表征的隐私攻击
密码学与安全
2025-05-20 v1
摘要
在当今数据驱动的分析领域，深度学习已成为强大的工具，其中称为嵌入的潜在表征在多个应用中发挥核心作用。在人脸分析领域，这些嵌入常用于生物识别（如人脸识别）。然而，这些嵌入或模板可能意外暴露敏感属性，如年龄、性别和种族。泄露此类信息可能侵犯个人隐私，影响公民自由和人权。为此，我们引入一个多层次的嵌入保护框架。它包含一系列操作：(a) 使用完全同态加密（FHE）加密嵌入；(b) 使用不可逆特征流形哈希对其进行加密。与常规加密方法不同，FHE允许在加密数据上进行计算，使下游分析在保持强隐私保证的同时得以进行。为减少加密处理的开销，我们采用嵌入压缩。我们提出的方法可防止敏感数据的潜在表征泄露私有属性（如年龄和性别），同时保留essential functional capabilities（如人脸识别）。在两个数据集上使用两个面部编码器进行的广泛实验表明，我们的方法优于几种最先进的隐私保护方法。
引用
@article{arxiv.2505.12688,
title = {Shielding Latent Face Representations From Privacy Attacks},
author = {Arjun Ramesh Kaushik and Bharat Chandra Yalavarthi and Arun Ross and Vishnu Boddeti and Nalini Ratha},
journal= {arXiv preprint arXiv:2505.12688},
year = {2025}
}