Hacer que la identidad sea indistinguible: Publicación de conjuntos de datos de preservación de la utilidad con...

Área de la Ciencia:

• Ciencias de la computación
• Inteligencia artificial
• Privacidad de los datos

Sus antecedentes:

• La proliferación de dispositivos personales ha llevado a vastos conjuntos de datos de imágenes de rostros, cruciales para el desarrollo de modelos visuales.
• Las preocupaciones de privacidad con respecto a la información de identidad sensible impiden el intercambio y la utilización de estos valiosos conjuntos de datos faciales.
• Los métodos existentes para desidentificar imágenes faciales a menudo no proporcionan garantías de privacidad demostrables o degradan las utilidades esenciales del conjunto de datos como la correlación de identidad y la naturalidad de la imagen.

Objetivo del estudio:

• Proponer un nuevo esquema de publicación de conjuntos de datos de rostros que proteja efectivamente las imágenes faciales mediante la ofuscación de características sensibles a la identidad.
• Asegurar que las características ofuscadas conserven una correlación suficiente para el entrenamiento de modelos de aprendizaje automático posteriores.
• Mejorar tanto la protección de la privacidad como la utilidad de los conjuntos de datos faciales para las aplicaciones de IA.

Principales métodos:

• Desarrolló un nuevo esquema de publicación de conjuntos de datos de rostros centrado en ofuscar las características faciales.
• Diseñó un nuevo mecanismo de privacidad diferencial métrico para reforzar la correlación de características al tiempo que garantiza la privacidad.
• Construyó un modelo de difusión latente que incorpora información de identidad y atributo para mejorar la naturalidad de las imágenes generadas.

Principales resultados:

• El sistema propuesto supera significativamente a los métodos existentes en la protección de la privacidad.
• Las características ofuscadas mantienen un alto nivel de correlación, preservando la utilidad del conjunto de datos para la capacitación.
• Las imágenes generadas muestran una mayor naturalidad debido al modelo de difusión latente.

Conclusiones:

• El nuevo esquema de publicación de conjuntos de datos de rostros equilibra con éxito una sólida protección de la privacidad con una alta utilidad de los conjuntos de datos.
• La integración de la privacidad diferencial métrica y los modelos de difusión latente ofrece una dirección prometedora para el intercambio seguro y utilizable de datos faciales.
• Este enfoque aborda las limitaciones críticas en las técnicas actuales de desidentificación, lo que permite una mayor aplicación de conjuntos de datos de rostros en la investigación y el desarrollo de IA.