Výzkumníci v oblasti strojového učení vyvinuli nový přístup, který se zabývá obavami ohledně soukromí při opětovném identifikování osoby (Re-ID). Re-ID, které využívá modely hlubokého učení, má potenciál sledovat jednotlivce v různých kamerových záběrech pro účely sledování a veřejné bezpečnosti. Avšak tato technologie také přináší významné obavy ohledně soukromí.
Tradiční techniky anonymizace, jako je pixelace nebo rozmazání, byly dosud používány k omezování rizika zveřejňování osobně identifikovatelných informací (PII) ve snímcích. I když jsou účinné při ochraně soukromí, tyto metody mohou ohrozit užitečnost dat. Navíc, uplatňování opatření soukromí na nestrukturovaná a neagregovaná vizuální data představuje výzvy.
Výzkumný tým z Singapuru navrhl nový přístup k zlepšení soukromí při Re-ID osoby. Zjistili, že modely založené na hlubokém učení pro Re-ID kódují osobně identifikovatelné informace v naučených rysů, což představuje riziko pro soukromí. K řešení tohoto problému představují duální systém Re-ID osoby. První fáze zahrnuje potlačení PII z diskriminačních rysů pomocí dekodéru pro sebeškolení de-identifikace (De-ID) a modulu pro adversární identitu (Adv-ID). Druhá fáze zahrnuje ovladatelné soukromí pomocí diferenciálního soukromí, které do dat zavádí řízený šum.
Výzkumníci provedli experimenty k ověření přínosu jednotlivých komponentů v jejich modelu pro Re-ID s ochranou soukromí osoby. Prozkoumali různé mechanismy de-identifikace a zjistili, že pixelace je nejefektivnější při vyvážení soukromí a užitečnosti. Adversární modul úspěšně odstraňuje identifikovatelné informace, avšak s mírným vlivem na přesnost re-identifikace.
Navržený model Re-ID s ochranou soukromí kombinuje enkodér pro Re-ID, dekodér pro de-identifikaci založený na pixelaci a adversární modul pro vyvážení užitečnosti a soukromí. Model Re-ID s ovladatelným soukromím na základě diferenciálního soukromí umožňuje kontrolovanou ochranu soukromí a strategické řešení obav ohledně soukromí. Srovnávací hodnocení s existujícími metodami a metodami nejlepšího výkonu ukazují výkonnostně lepší výsledky navrhovaného modelu v dosažení optimální rovnováhy mezi soukromím a užitečností.
Výzkum také zahrnuje kvalitativní hodnocení, které vizualizuje rysy navrhovaného modelu jako více invariantní vzhledem ke klasickým rysům. Navíc, vizuální srovnání původních a rekonstruovaných snímků zdůrazňuje praktický dopad jednotlivých komponent modelu.
Celkově lze říci, že tento výzkum představuje komplexní přístup zaměřený na soukromí při opětovném identifikování osoby, přičemž zdůrazňuje důležitost vyvážení užitečnosti a soukromí. Budoucí práce se budou zaměřovat na zlepšení zachování užitečnosti a zkoumání začlenění pozměněných snímků do tréninku modelu pro Re-ID.
The source of the article is from the blog shakirabrasil.info