Koneoppimisen tutkijat ovat kehittäneet uuden lähestymistavan käsitellä tietosuojaan liittyviä huolenaiheita henkilön uudelleen tunnistamisessa (Re-ID). Henkilön uudelleen tunnistaminen, joka käyttää syväoppimismalleja, pystyy potentiaalisesti seuraamaan yksilöitä eri kameranäkymissä valvonta- ja yleisenturvallisuustarkoituksissa. Kuitenkin tämä teknologia herättää myös merkittäviä tietosuojaan liittyviä huolenaiheita.
Perinteisesti anonymisointimenetelmiä, kuten pikselöintiä tai häivyttämistä, on käytetty henkilötiedon (PII) paljastumisen riskin lievittämiseksi kuvissa. Vaikka nämä menetelmät säilyttävät tehokkaasti yksityisyyden, ne voivat myös vaikuttaa datan hyödyllisyyteen. Lisäksi yksityisyystoimenpiteiden soveltaminen epäjärjestettyyn ja epäaggregoituun visuaaliseen dataan aiheuttaa haasteita.
Singaporen tutkijaryhmä on esittänyt uudenlaisen lähestymistavan yksityisyyden parantamiseksi henkilön uudelleen tunnistamisessa. He havaitsivat, että syväoppimiseen perustuvat Re-ID-mallit koodaavat henkilökohtaisesti tunnistettavat tiedot oppineisiin piirteisiin, mikä aiheuttaa tietosuojariskejä. Tämän ratkaisemiseksi he esittelevät kaksivaiheisen henkilön uudelleen tunnistamisen kehyksen. Ensimmäinen vaihe sisältää PII:n tukahduttamisen syväoppimiseen perustuvan de-identifikaattorin (De-ID) ja vastakkaisuuspohjaisen identiteetin (Adv-ID) moduulin avulla. Toinen vaihe sisältää kontrolloitavan yksityisyyden differentiaalisen yksityisyyden, joka luo kontrolloitua melua dataan.
Tutkijat suorittivat kokeita validoidakseen oman yksityisyyttä suojaavan henkilön uudelleentunnistamismallinsa komponenttien vaikutuksia. He tutkivat erilaisia de-identifikaatiomekanismeja, joista pikselöinti osoittautui tehokkaimmaksi tasapainottamaan yksityisyyttä ja hyödyllisyyttä. Vastakkaisuusmoduuli poisti tunnistettavat tiedot onnistuneesti, vaikka se vaikutti hieman Re-ID-tarkkuuteen.
Ehdotettu yksityisyyden säilyttävä Re-ID-malli yhdistää Re-ID-koodaajan, pikselöintiin perustuvan tunnistettujen tietojen poisto-dekooderin sekä vastakkaisuusmoduulin tasapainottamaan hyötyä ja yksityisyyttä. Yksityisyyden säilyttävä Re-ID-malli, jossa on kontrolloitava yksityisyys, sisältää differentiaaliseen yksityisyyteen perustuvaa häiritsemistä, mikä mahdollistaa kontrolloidun yksityisyyden ja strategisemman tietosuojan huomioon ottamisen. Vertailevat arvioinnit olemassa oleviin vertailukohtiin ja nykyaikaisiin menetelmiin osoittavat ehdotetun mallin suuremman suorituskyvyn optimaalisen yksityisyys-hyöty-tasapainon saavuttamisessa.
Tutkimuksessa tehtiin myös laadullisia arvioita, jotka havainnollistavat ehdotetun mallin piirteitä identiteetiltään vakaampina kuin vertailukohtien piirteet. Lisäksi alkuperäisten ja jälleenrakennettujen kuvien visuaaliset vertailut korostavat eri mallikomponenttien käytännön vaikutusta.
Yhteenvetona tämä tutkimus tarjoaa kattavan ja yksityisyyteen keskittyvän lähestymistavan henkilön uudelleen tunnistamiseen ja korostaa hyödyn ja yksityisyyden tasapainon tärkeyttä. Tuleva työ keskittyy hyödyn säilyttämisen parantamiseen ja häirittyjen kuvien käytön tutkimiseen Re-ID-mallien koulutuksessa.
The source of the article is from the blog yanoticias.es