Lidia Perska기계 학습 연구자들은 개인 재식별화(Person Re-ID)에서 개인 정보 보호 문제를 해결하기 위한 새로운 접근 방식을 개발했습니다. 딥 러닝 모델을 사용하는 개인 재식별화는 감시 및 공공 안전 목적으로 서로 다른 카메라 뷰에서 개인을 추적하는 잠재력을 가지고 있습니다. 그러나 이 기술은 또한 중요한 개인 정보 보호 문제를 제기합니다.
일반적으로 픽셀화 또는 흐림과 같은 익명화 기술이 이미지에서 개인 식별 가능 정보(PII)의 노출 위험을 완화하는 데 사용되어왔습니다. 개인 정보 보호에 효과적이지만, 이러한 방법은 데이터의 유틸리티를 훼손할 수 있습니다. 또한 비구조화 및 비집단화된 시각 데이터에 프라이버시 수단을 적용하는 것은 도전적인 과제입니다.
싱가포르의 연구팀은 개인 재식별화에서 개인 정보 보호를 강화하기 위한 새로운 접근 방식을 제안했습니다. 그들은 딥 러닝 기반 재식별화 모델이 학습된 특징에서 개인 식별 가능 정보를 인코딩한다는 사실을 발견하였으며, 이는 프라이버시 위험을 야기합니다. 이를 해결하기 위해, 그들은 이중 단계의 개인 재식별화 프레임워크를 도입했습니다. 첫 번째 단계는 자가 감독 재식별화(De-ID) 디코더 및 적대적 신원(Adv-ID) 모듈을 사용하여 공변적 특징에서 개인 식별 가능 정보를 억제하는 것이며, 두 번째 단계는 데이터에 제어된 소음을 도입하는 차별적 프라이버시에 의한 프라이버시를 포함합니다.
연구자들은 개인 정보 보호가 보존된 개인 재식별화 모델의 각 구성 요소의 기여를 유효화하기 위한 실험을 실시했습니다. 그들은 다양한 디아이덴티피케이션 메커니즘을 탐색했으며, 픽셀화가 개인 정보 보호와 유틸리티의 균형을 유지하는 데 가장 효과적으로 나타났습니다. 적대적 모듈은 식별 가능한 정보를 성공적으로 제거하였지만, 재식별화 정확도에 약간 영향을 미쳤습니다.
제안된 프라이버시 보존된 재식별화 모델은 재식별화 인코더, 픽셀 기반 디아이덴티파이드 디코더 및 적대 모듈을 결합하여 유틸리티와 프라이버시를 균형 있게 유지합니다. 제어 가능한 프라이버시가 있는 프라이버시가 보존된 재식별화 모델은 제어된 프라이버시를 허용하며 전략적으로 개인 정보 보호 문제를 해결합니다. 기존의 기준치 및 최첨단 방법과의 비교평가를 통해 제안된 모델이 최적의 프라이버시-유틸리티 균형을 달성하는 데 뛰어난 성능을 보여주었음을 확인하였습니다.
이 연구는 제안된 모델의 특징이 기준 성질보다 식별성 및 변화성이 더 높다는 정성적 평가도 포함하고 있습니다. 또한, 원본 이미지와 재구성 이미지의 시각적 비교는 다른 모델 구성 요소의 실제 영향을 강조하고 있습니다.
이 연구는 유틸리티와 프라이버시를 균형 있게 유지하는 개인 재식별화에 대한 포괄적이고 프라이버시 중심적인 접근 방식을 제공하며, 미래 작업은 유틸리티 보존을 개선하고 재식별화 모델 교육에 왜곡된 이미지의 통합을 탐구할 것입니다.
