人类无法识别的差异性私有噪音图像生成方法
Hyeong-Geon Kim1, Jinmyeong Shin1, Yoon-Ho Choi1
1School of Computer Science and Engineering, Pusan National University, Busan 46241, Republic of Korea.
Sensors (Basel, Switzerland)
|May 25, 2024
概括
这项研究引入了一种新的差异隐私方法,用于深度学习图像生成. 它使用两种噪音类型来保护隐私,同时保持机器学习任务的数据实用性.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 网络安全 网络安全
背景情况:
- 不同的隐私是保护隐私的关键,保护深度学习.
- 现有的差异隐私方法显示了对隐私攻击的脆弱性.
- 加密方法提供安全性,但具有高的计算成本.
研究的目的:
- 提出一种新的基于隐私的差异化图像生成方法.
- 解决深度学习中现有的隐私保护技术的局限性.
- 为了平衡数据隐私与机器学习分析实用程序.
主要方法:
- 开发了一种使用两个不同的噪音类型的差异隐私图像生成方法.
- 一种噪音类型可以确保在传输过程中保持隐私,使人无法识别.
- 第二种噪音类型保留了机器学习分析的基本特征.
主要成果:
- 在CIFAR100数据集上证明了拟议方法的可行性.
- 该方法允许深度学习服务在不影响数据隐私的情况下提供准确的结果.
- 成功地平衡了隐私保护与人工智能任务的数据实用性.
结论:
- 新的差异隐私方法有效地保护敏感的图像数据.
- 这种方法为保护隐私的深度学习应用提供了实际的解决方案.
- 该方法在复杂的数据集上得到验证,表明其在现实世界中可应用.
