利用生成的人脸身份数据训练人脸验证模型
计算机视觉与模式识别
2021-08-03 v1
摘要
机器学习工具正变得日益强大且应用广泛。遗憾的是，旨在从机器学习所用数据集中窃取信息的成员推断攻击（membership attacks）有可能限制数据共享。本文考虑一种应用于人脸识别的数据集隐私保护增强方法。我们利用一个辅助人脸识别模型，基于 StyleGAN 生成对抗网络（generative adversarial network），向其输入结合两个不同子代码的潜码，其中一个编码视觉身份因素，另一个编码非身份因素。通过在图像生成过程中独立变化这些向量，我们构建了一个由虚构人脸身份组成的合成数据集。我们利用该数据集训练了一个人脸识别模型。与最先进（state-of-the-art）的人脸验证技术相比，该模型性能有所下降。在使用简单成员推断攻击进行测试时，我们的模型提供了良好的隐私保护，然而与最先进的人脸验证技术相比，模型性能有所下降。我们发现，加入少量私有数据可大幅提升模型性能，这凸显了使用合成数据训练机器学习模型的局限性。
引用
@article{arxiv.2108.00800,
title = {Training face verification models from generated face identity data},
author = {Dennis Conway and Loic Simon and Alexis Lechervy and Frederic Jurie},
journal= {arXiv preprint arXiv:2108.00800},
year = {2021}
}