颠覆隐私保护 GAN：在净化图像中隐藏秘密
计算机视觉与模式识别
2020-09-22 v1 人工智能
密码学与安全
机器学习
机器学习
摘要
前所未有的数据收集与共享加剧了隐私担忧，并导致人们对隐私保护工具的兴趣日益增加，这类工具可在去除图像中敏感属性的同时保留用于其他任务的有用信息。目前，最先进的方法使用隐私保护生成对抗网络（PP-GANs）来实现此目的，例如，在不泄露用户身份的情况下实现可靠的面部表情识别。然而，PP-GANs 并未提供形式化的隐私证明，而是依赖基于深度学习（DL）判别器对敏感属性分类准确率来实验性地度量信息泄露。在这项工作中，我们通过颠覆现有的用于面部表情识别的隐私保护 GAN 来质疑此类检查的严谨性。我们表明，有可能将敏感的身份识别数据隐藏在此类 PP-GANs 的净化输出图像中以便后续提取，这甚至允许重建整个输入图像，同时满足隐私检查。我们通过一个基于 PP-GAN 的架构演示了我们的方法，并使用两个公开数据集提供了定性与定量评估。我们的实验结果对 PP-GANs 需要更严格隐私检查提出了根本性疑问，并提供了关于其社会影响的见解。
引用
@article{arxiv.2009.09283,
title = {Subverting Privacy-Preserving GANs: Hiding Secrets in Sanitized Images},
author = {Kang Liu and Benjamin Tan and Siddharth Garg},
journal= {arXiv preprint arXiv:2009.09283},
year = {2020}
}