機械学習の研究者は、個人再識別（Re-ID）におけるプライバシーの懸念に対処するための新しいアプローチを開発しました。Re-IDは、深層学習モデルを使用して、監視や公共の安全の目的で異なるカメラビュー間で個人を追跡する可能性があります。しかし、この技術は同時に重大なプライバシーの問題も引き起こします。
従来、ピクセル化やぼかしのような匿名化技術は、画像で個人を特定可能な情報（PII）を開示するリスクを軽減するために使用されてきました。プライバシーを保護する上で効果的ですが、これらの方法はデータの有用性を損なう可能性があります。さらに、非構造化および非集約的なビジュアルデータにプライバシー対策を適用することは課題です。
シンガポールの研究チームは、個人再識別におけるプライバシーを強化するための新しいアプローチを提案しました。彼らは、深層学習ベースのRe-IDモデルが、学習された特徴に個人を特定可能な情報をエンコードしていることを発見し、プライバシーのリスクがあると指摘しました。これに対処するため、彼らはディープラーニングモデルによる自己教師付けの非特定化（De-ID）デコーダーと対抗的な同一性（Adv-ID）モジュールを使用して、識別可能な情報を抑制する第1ステージを導入しました。第2ステージでは、データにコントロール可能なノイズを導入する差分プライバシーを通じて、可制御性のあるプライバシーを組み込んでいます。
研究者は、プライバシー保護のための個人再識別モデルの各要素の貢献を検証するために実験を行いました。ピクセル化など、さまざまな非特定化メカニズムを探求し、プライバシーと有用性のバランスにおいて最も効果的な方法としてピクセル化が浮上しました。対抗モジュールは、識別可能な情報をうまく除去することができましたが、Re-IDの精度にわずかな影響を与えました。
提案されたプライバシー保護されたRe-IDモデルは、Re-IDエンコーダー、ピクセル化に基づく非特定化デコーダー、対抗モジュールを組み合わせて、有用性とプライバシーのバランスを取ります。制御可能なプライバシーを導入したプライバシー保護されたRe-IDモデルは、差分プライバシーに基づく摂動を導入し、制御可能なプライバシーを可能にし、プライバシーの懸念により戦略的に対処します。既存のベースラインと最先端の手法との比較評価は、提案されたモデルが最適なプライバシーと有用性のトレードオフを実現する上で優れたパフォーマンスを示しています。
研究には、提案されたモデルの特徴がベースラインの特徴よりも個人を特定しにくいことを可視化する定性的な評価も含まれています。さらに、元の画像と再構築された画像の視覚的な比較は、さまざまなモデルのコンポーネントの実用的な影響を示しています。
全体として、この研究は、個人再識別に基づく包括的でプライバシーに焦点を当てたアプローチを提供し、有用性とプライバシーのバランスの重要性を強調しています。今後の研究では、有用性の保存を改善し、摂動画像をRe-IDモデルのトレーニングに組み込む可能性を探求する予定です。
The source of the article is from the blog smartphonemagazine.nl