חוקרים בלמידת מכונה פיתחו גישה חדשה כדי לטפל בדאגות הפרטיות בזיהוי מחדש של אדם (Re-ID). זיהוי אדם, המשתמש במודלי למידה עמוקה, יש פוטנציאל למעקב אחר אנשים בין תצפיות מצלמה שונות לצורך שקיפות ובטיחות ציבורית. אולם, טכנולוגיה זו מעלה דרך אפקטיבית דאגות פרטיות.
מסורתית, טכניקות אנונימיזציה כמו פיקסליזציה או דום נמצאו להפחתת סיכון החשיפה של מידע אישי מזהה (PII) בתמונות. בעוד שהן יעילות בשמירה על הפרטיות, אותן שיטות עשויות לפגוע בתועלת המידע. בנוסף, יישום צעדי פרטיות למידע חזותי לא מוחזק ולא מכווץ מתמודד באתגרים.
צוות מחקר מסינגפור הציע גישה חדשנית כדי לשפר את הפרטיות בזיהוי אדם מחדש. הם גילו כי מודלים של זיהוי אדם מבוססי למידה עמוקה מקודדים מידע אישי מזהה במאפיינים שנלמדים, ומציבים סיכוני פרטיות. כדי לטפל בכך, הם משיבים על גישה לזיהוי אדם דו-שלבית. השלב הראשון משלב ביטול של PII מתוך תכונות דיסקרימינטיות באמצעות משרה עצמית של פענוח עצמי (De-ID) ומודול זהות-נרדפת (Adv-ID). השלב השני משלב פרטיות בבקרה דיפרנציאלית, המוסיפה רעש במדווח.
החוקרים הניהלו ניסויים לאמת את התרומה של כל הרכיבים במודל הזיהות התומכים בפרטיות. הם חקרו מנגנונים שונים לכיסוי זהות, והביאו את הפיקסליזציה כהכי יעיל במאזן של הפרטיות והתועלת. המודול הנרדף מסיר בהצלחה את המידע המזהה, אף על פי שיש לו השפעה קלה על דיוק הזיהוי מחדש.
המודל של Privacy-Preserved Re-ID משלב מנודה של זיהוי, פענוח מבוסס פיקסלציה ומודול נרדף להשמת יותר תועלת ופרטיות. ההצעת מודל ה-Privacy-Preserved Re-ID עם פרטיות בבקרה מציע בידוד עקום, המאפשר התמצאות פרטיות בבקרה וניהול הפרטיות במיומנות יותר. היערכויות השווה עם הבסיסים הקיימים והשיטות המתקדמות ציינו על המצוינות של המודל שהוצע בהשגת יחס בין פרטיות לתועלת מיטבי.
המחקר כולל גם אבחונים איכותיים אשר מציגים את המאפיינים של המודל שהוצע כמאוכל לזהות המעצת יותר מתוכן הבסיס. בנוסף, השוואות חזותיות של תמונות מקוריות ומשוחזרות מדגישות את ההשפעה המעשית של רכיבי המודל שונים.
בסך הכל, מחקר זה מציע גישה מערכתית וממוקדת פרטיות לזיהות חוזר, ומציין את חשיבות החשיבות והפרטיות. אפשרויות לעתיד יתמקדו בשיפור שמירת התועלת ובחקירה של השבות תמונות המשופעות באימון המודל הלומד.
The source of the article is from the blog be3.sk