Privacy Preserving Machine Learning for Electronic Health Records using Federated Learning and Differential Privacy
University of Washington(华盛顿大学)
针对电子健康记录的高敏感属性,为保障机器学习模型分析患者数据时的隐私安全,提出结合联邦学习与差分隐私的隐私保护技术方案。
2024-06-23 cs.CR cs.ET cs.LG
A Privacy-Preserving Framework for Advertising Personalization Incorporating Federated Learning and Differential Privacy
Rutgers University(罗格斯大学);Duke University(杜克大学);University of California, Irvine(加州大学欧文分校)
本文提出融合联邦学习与差分隐私的广告个性化框架,通过分布式特征提取、动态隐私预算分配与鲁棒聚合等技术,在保障隐私的同时实现了推荐准确率与系统效率的双重优化。
2025-07-16 cs.CR cs.LG
Towards Privacy-preserving Explanations in Medical Image Analysis
University of Porto(波尔图大学);INESC TEC(葡萄牙系统与计算机工程研究所)
深度学习在医学领域的应用受到缺乏可解释性的阻碍。基于案例的可解释性策略可以为深度学习模型的决策提供直观的解释,从而增强信任。然而,由此产生的解释威胁到病人的隐私,激励隐私保护方法的发展与医疗数据的具体情况兼容。在这项工作中,我们分析了现有的隐私保护方法及其各自的能力,匿名医疗数据,同时保留疾病相关的语义特征。我们发现,PPRL-VGAN深度学习方法在保留疾病相关语义特征方面做得最好,同时在比较的最先进方法中保证了高水平的隐私。尽管如此,我们强调需要改进医学成像的隐私保护方法,因为我们发现了所有现有隐私保护方法中的相关缺点。
2021-07-20 cs.CV
A generic framework for privacy preserving deep learning
Imperial College London(帝国理工学院);DeepMind(深度思维);University of Oxford(牛津大学);Case Western Reserve University(凯斯西储大学)
我们详细介绍了一个用于隐私保护的新框架深度学习并讨论了其资产。该框架重视数据的所有权和安全处理,并引入了基于命令链和张量的有价值的表示。这种抽象允许实现复杂的隐私保护结构,如联邦学习,安全多方计算和差分隐私,同时仍然向最终用户公开熟悉的深度学习API。我们报告了波士顿住房和皮马印第安人糖尿病数据集的早期结果。虽然除了差分隐私之外的隐私特征不影响预测准确性,但是框架的当前实现引入了显著的性能开销,这将在开发的稍后阶段解决。我们相信这项工作是一个重要的里程碑,为隐私保护深度学习引入了第一个可靠的通用框架。
2018-11-13 cs.CR cs.LG stat.ML
Can large language models be privacy preserving and fair medical coders?
Dalhousie University(达尔豪斯大学);Vector Institute(矢量研究院)
本研究探讨将差分隐私应用于大语言模型医疗编码任务的两大权衡,发现隐私保护会导致MIMIC-III数据集上前50标签微F1降超40%,且男女患者召回率差距扩大3%以上,为现实部署提供参考。
2024-12-07 cs.CR cs.LG
FedXGBoost: Privacy-Preserving XGBoost for Federated Learning
Technical University of Munich(慕尼黑工业大学);Bytedance Inc.(字节跳动公司);Massachusetts Institute of Technology(麻省理工学院)
联邦学习是一种分布式机器学习框架,它支持多方协作训练,同时确保数据隐私。XGBoost是最先进的树提升框架,由于传统隐私保护方法的高成本,XGBoost对联邦学习的实际适应仍然有限。为了解决这个问题,我们提出了两种具有隐私保证的联邦XGBoost变体:FedXGBoost-SMM和FedXGBoost-LDP。我们的第一个协议FedXGBoost-SMM部署了增强的安全矩阵乘法方法,以无损的准确性和较低的开销比基于防御的技术来保护隐私。第二个协议FedXGBoost-LDP是独立开发的,它是用噪声扰动为本地差分隐私设计的,并在真实世界和合成数据集上进行了经验评估。
2021-08-12 cs.CR cs.LG
HyFed: A Hybrid Federated Framework for Privacy-preserving Machine Learning
Technical University of Munich(慕尼黑工业大学);University of Hamburg(汉堡大学);University of Southern Denmark(南丹麦大学);Imperial College London(帝国理工学院)
联邦学习(FL)使多个客户端能够在中央服务器的协调下联合训练全局模型。虽然FL是一个隐私感知的范例,其中原始数据共享是不需要的,最近的研究表明,FL可能会通过与服务器或其他客户端共享的模型参数泄漏客户端的私有数据。在本文中,我们提出了HyFed框架,它增强了隐私的FL,同时保持了全球模型的效用。HyFed为开发人员提供了一个通用的API来开发联邦的隐私保护算法。HyFed支持模拟和联邦操作模式,其源代码可在https://github.com/tum-aimed/hyfed上公开获得。
2021-10-27 cs.CR cs.LG
Towards Privacy-Preserving Medical Imaging: Federated Learning with Differential Privacy and Secure Aggregation Using a Modified ResNet Architecture
Istanbul University-Cerrahpasa(伊斯坦布尔大学-切尔拉帕萨分校);Queen’s University(女王大学)
本文提出结合本地差分隐私、安全多方计算安全聚合与 DPResNet 的联邦医学影像分类框架,并在 BloodMNIST 跨医院场景中验证其可在严格保密下取得接近非隐私模型的性能。
2024-12-01 cs.CR cs.LG
Private Dataset Generation Using Privacy Preserving Collaborative Learning
Technische Hochschule Ingolstadt(英戈尔施塔特应用技术大学)
随着深度学习算法在许多应用中的使用越来越多,与隐私和对抗攻击相关的新研究问题正在出现。然而,深度学习算法的改进需要越来越多的数据在研究社区内共享。联邦学习、差分隐私、附加秘密共享等方法提供了一种在边缘上训练机器学习模型而不从边缘移动数据的方法。然而,它是非常计算密集型的,并且容易受到对抗攻击。因此,这项工作引入了一个隐私保护FedCollabNN框架,用于在边缘训练机器学习模型,该框架具有计算效率和对对抗攻击的鲁棒性。使用MNIST数据集的仿真结果表明了该框架的有效性。
2020-04-28 cs.CR cs.LG stat.ML
Privacy-preserving Decentralized Federated Learning over Time-varying Communication Graph
Lancaster University(兰卡斯特大学)
确定一组学习者如何以完全分散的(点对点,没有协调员)方式提供隐私保护的联邦学习是一个开放的问题。我们提出了第一个隐私保护的基于共识的算法,分布式学习器,以实现分散的全球模型聚合的环境中的高流动性,学习器之间的通信图可能会有所不同,连续轮的模型聚合。特别地,在每一轮全局模型聚合中,Metropolis-Hastings方法被应用于基于当前通信拓扑来更新加权邻接矩阵。此外,Shamir的秘密共享方案的整合,以促进隐私达成共识的全球模型。本文建立了该算法的正确性和隐私属性。通过建立在联邦学习框架上的仿真实验,对算法的计算效率进行了评估。
2022-10-01 cs.CR cs.LG cs.MA
Leveraging Hierarchical Representations for Preserving Privacy and Utility in Text
Amazon(亚马逊)
在任意文本中保证一定程度的用户隐私是一个具有挑战性的问题。然而,这一挑战带来了解锁对大量数据存储的访问以训练机器学习模型和支持数据驱动决策的潜力。我们解决这个问题,通过镜头的dx隐私,概括的差分隐私非汉明距离度量。在这项工作中,我们探讨了双曲空间中的单词表示作为保护文本隐私的一种手段。首先给出了满足dx-隐私性的证明,然后定义了双曲空间中的概率分布,并描述了在高维空间中的抽样方法。隐私是通过扰动高维双曲空间中的词的向量表示来提供的,以获得语义概括。我们进行了一系列的实验来证明隐私和实用性之间的权衡。我们的隐私实验说明了对作者归属算法的保护,而我们的实用程序实验强调了我们的扰动对几个下游机器学习模型的影响最小。与欧几里得基线相比,我们观察到与可比的最差情况统计相比,预期隐私的保证高出20倍。
2019-10-20 cs.CL cs.CR cs.LG
Privacy Preserving in Non-Intrusive Load Monitoring: A Differential Privacy Perspective
Tsinghua University(清华大学);The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳))
智能电表设备可以更好地了解需求,避免私人信息泄露的潜在风险。减轻这种风险的一种有希望的解决方案是将噪声注入到仪表数据中以实现一定水平的差分隐私。在本文中,我们投一次性的非侵入式负载监测(NILM)的压缩感知框架,并弥合NILM推理的理论精度和差分隐私的参数之间的差距。然后,我们推导出有效的理论界提供见解的差分隐私参数如何影响NILM的性能。此外,我们推广了我们的结论,提出了层次框架来解决多镜头NILM问题。数值实验验证了我们的分析结果,并提供更好的物理见解的差分隐私在各种实际情况下。这也说明了我们的工作对一般隐私保护机制设计的意义。
2020-11-12 cs.CR cs.LG cs.SY
A Privacy-Preserving and Trustable Multi-agent Learning Framework
Bennett University(贝内特大学);Syracuse University(雪城大学)
分布式多智能体学习使智能体能够合作训练模型,而不需要共享它们的数据集。虽然这种设置确保了一定程度的隐私,但已经表明,即使当数据不直接共享时,训练过程也容易受到隐私攻击,包括数据重建和模型反演攻击。此外,在反向标签或随机数据上进行训练的恶意代理可能会任意削弱全局模型的准确性。本文解决了这些挑战,并提出了隐私保护和可信赖的分布式学习(PT-DL),这是一个完全分散的框架,依赖于差分隐私来保证代理数据的强大隐私保护,以及以太坊智能合约来确保可信赖性。本文表明,PT-DL是弹性高达50%的共谋攻击,具有很高的概率,在恶意的信任模型和实验评估说明了所提出的模型的好处,作为一个隐私保护和可信的分布式多智能体学习系统的几个分类任务。
2021-06-02 cs.AI cs.CR cs.LG
Privacy-Preserving Public Release of Datasets for Support Vector Machine Classification
University of Melbourne(墨尔本大学)
我们考虑公开发布用于支持向量机分类的数据集同时不侵犯数据主体的隐私(即,其私人信息存储在数据集中的个人)。为了隐私保护,使用加性噪声系统地混淆数据集。受Cramer-Rao界的启发,Fisher信息矩阵的迹的逆被用作隐私的度量。建立条件以确保从原始数据集提取的分类器和混淆的分类器彼此接近(捕获效用)。最佳的噪声分布是通过最大化的隐私和效用的措施的加权和确定的。证明了最优隐私保护噪声可以实现局部差分隐私。结果推广到更广泛的一类基于优化的监督机器学习算法。在多个数据集上证明了该方法的适用性。
2019-12-29 cs.CR cs.LG stat.ML
Privacy-preserving Federated Learning for Residential Short Term Load Forecasting
FINATRAX, University of Luxembourg(卢森堡大学FINATRAX);University of Luxembourg(卢森堡大学)
由于间歇性发电和动态需求模式的高水平,对住宅负荷的准确预测变得至关重要。智能电表在进行这些预测时可以发挥重要作用,因为它们提供详细的负荷数据。然而,由于数据隐私要求,使用智能电表数据进行负荷预测具有挑战性。本文研究了如何通过结合联邦学习和隐私保护技术(如差分隐私和安全聚合)来满足这些要求。在我们的分析中,我们使用了大量的住宅负载数据,并模拟了不同的联邦学习模型和隐私保护技术如何影响性能和隐私。我们的模拟表明,结合联邦学习和隐私保护技术可以确保高预测准确性和接近完全的隐私。具体来说,我们发现,这种组合使高水平的信息共享,同时确保隐私的处理负荷数据和预测模型。此外,我们确定并讨论了应用联邦学习,差分隐私和安全聚合住宅短期负荷预测的挑战。
2022-09-19 cs.AI cs.LG cs.SY
Coding-Enforced Resilient and Secure Aggregation for Hierarchical Federated Learning
Department of Information Science and Engineering(信息科学与工程系)
本文提出H-SecCoGC方案,通过编码策略提升分层联邦学习在不可靠通信下的鲁棒性、隐私保护和学习效率。
2026-01-25 cs.AI cs.LG
An Ensemble Teacher-Student Learning Approach with Poisson Sub-sampling to Differential Privacy Preserving Speech Recognition
Georgia Institute of Technology(佐治亚理工学院);Kore University of Enna(恩纳科雷大学);NTNU(挪威科技大学)
我们提出了一个集成学习框架与泊松子采样,有效地训练一组教师模型,发出一些差分隐私(DP)的训练数据的保证。通过DP下的提升,从训练数据中导出的学生模型几乎没有受到没有隐私保护的训练模型的模型退化。我们提出的解决方案利用了两种机制,即:(i)经由泊松子采样的隐私预算放大,以训练需要较少噪声来实现相同水平的隐私预算的目标预测模型,以及(ii)子采样技术和总体师生学习框架的组合,该总体师生学习框架在教师模型的输出处引入DP保留噪声并且将DP-通过噪声标签保持属性。保护隐私的学生模型然后用噪声标签进行训练,以从教师模型集合中学习具有DP保护的知识。语音命令识别和汉语连续语音识别的实验证据表明,我们提出的框架大大优于现有的DP保持算法在这两个语音处理任务。
2022-10-12 cs.AI cs.LG cs.SD
PCAL: A Privacy-preserving Intelligent Credit Risk Modeling Framework Based on Adversarial Learning
信用风险建模已经渗透到我们的日常生活中。大多数银行和金融公司使用这种技术来模拟客户的可信度。虽然机器学习越来越多地用于这一领域,但由此产生的大规模用户私人信息收集重新激发了隐私辩论,考虑到每年由未经授权的黑客造成的数十起数据泄露事件,以及(可能更多)授权方的信息误用/滥用。为了解决这些关键问题,本文提出了一个基于对抗学习的隐私保护信用风险建模框架(PCAL)。PCAL旨在通过(迭代)权衡隐私风险损失和面向实用性的损失,掩盖原始数据集内的私人信息,同时保留目标预测任务性能的重要实用信息。在实用性和隐私保护方面,将PCAL与现成的选项进行比较。实验结果表明,PCAL可以从用户数据中学习到一种有效的、无隐私的表示方法,为信用风险分析中隐私保护的机器学习提供了坚实的基础。
2020-10-06 cs.CR cs.CV cs.LG
Attacks on Image Encryption Schemes for Privacy-Preserving Deep Neural Networks
隐私保护机器学习是一个活跃的研究领域,通常依赖于同态加密或安全多方计算等技术。最近,Tanaka和Sirichotedumrong、Kinoshita和Kiya提出了使用深度神经网络对图像执行机器学习的新加密技术。我们提出了新的选择明文和密文的攻击对这两个建议的图像加密方案,并证明了攻击的有效性的几个例子。
2020-04-29 cs.CR cs.CV cs.LG
Preserving Privacy in Federated Learning with Ensemble Cross-Domain Knowledge Distillation
University at Buffalo(布法罗大学);United Imaging Intelligence(联影智能)
联邦学习(FL)是一种机器学习范例,其中本地节点协作地训练中央模型,而训练数据保持分散。现有的FL方法通常共享模型参数或采用共蒸馏来解决数据分布不平衡的问题。然而,他们受到通信瓶颈的困扰。更重要的是,他们冒着隐私泄露的风险。在这项工作中,我们开发了一个隐私保护和通信有效的方法在FL框架与一次性离线知识蒸馏使用未标记的,跨域的公共数据。我们提出了一个量化和噪声合奏的本地预测从完全训练的本地模型更强的隐私保证,而不牺牲准确性。基于对图像分类和文本分类任务的大量实验,我们表明,我们的隐私保护方法优于基线FL算法,在准确性和通信效率方面都具有优异的性能。
2022-09-10 cs.CR cs.CV cs.LG
Color-NeuraCrypt: Privacy-Preserving Color-Image Classification Using Extended Random Neural Networks
Tokyo Metropolitan University(东京都立大学)
近年来,随着云计算平台的发展,针对深度学习的隐私保护方法成为亟待解决的问题。NeuraCrypt是一种用于隐私保护的私有随机神经网络,允许数据所有者在数据上传之前对医疗数据进行加密,数据所有者可以直接使用加密的数据在云服务器中进行训练并测试他们的模型。然而,我们指出,当使用彩色图像时,NeuraCrypt的性能会严重下降。在本文中,我们提出了一个Color-NeuraCrypt来解决这个问题。实验结果表明,我们提出的Color-NeuraCrypt可以实现更好的分类精度比原来的一个和其他隐私保护方法。
2023-01-12 cs.CR cs.CV
Subverting Privacy-Preserving GANs: Hiding Secrets in Sanitized Images
NYU Tandon School of Engineering(纽约大学坦登工程学院)
前所未有的数据汇集和共享加剧了对隐私的担忧,并导致人们对隐私保护工具的兴趣日益增加,这些工具可以从图像中删除敏感属性,同时为其他任务保留有用的信息。目前,最先进的方法使用隐私保护生成对抗网络(PP-GAN)来实现这一目的,例如,在不泄露用户身份的情况下实现可靠的面部表情识别。然而,PP-GAN并不提供隐私的正式证明,而是依赖于使用基于深度学习(DL)的鉴别器的敏感属性上的分类准确性来实验性地测量信息泄漏。在这项工作中,我们通过颠覆现有的面部表情识别隐私保护GANs来质疑这种检查的严格性。我们表明,可以将敏感的识别数据隐藏在这种PP-GAN的经过消毒的输出图像中,以便以后提取,这甚至可以允许重建整个输入图像,同时满足隐私检查。我们通过基于PP-GAN的架构展示了我们的方法,并使用两个公共数据集提供定性和定量评估。我们的实验结果提出了关于需要对PP-GAN进行更严格的隐私检查的基本问题,并提供了对这些问题的社会影响的见解。
2020-09-19 cs.AI cs.CR cs.CV
Privacy-Preserving Clothing Classification using Vision Transformer for Thermal Comfort Estimation
NTT FACILITIES, INC.(NTT设施公司);Tokyo Metropolitan University(东京 Metropolitan大学)
本文提出一种隐私保护的服装分类方法,利用视觉变换器(ViT)进行服装隔热估计,解决了传统方法在隐私保护下的准确性下降问题。
2026-04-29 cs.CR cs.CV
Scale Invariant Privacy Preserving Video via Wavelet Decomposition
Xi’an Jiaotong Liverpool University(西交利物浦大学)
视频监控在现代世界中已经变得无处不在。移动设备、监控摄像头和物联网设备都可以录制可能侵犯我们隐私的视频。对此提出的一个解决方案是隐私保护视频,它在视频制作时从视频中删除识别信息。为此已经提出了几种算法,但所有这些算法都存在规模问题:为了充分匿名化近摄像机对象,远处的对象变得无法识别。在本文中,我们提出了一种基于小波分解的尺度不变方法。
2022-11-07 cs.CR cs.CV
PrivacyBench: Privacy Isn't Free in Hybrid Privacy-Preserving Vision Systems
ML Collective(ML集体);Friedrich-Alexander-Universität Erlangen-Nürnberg(埃朗根-纽伦堡弗里德里希-亚历山大大学);Carnegie Mellon University(卡内基梅隆大学)
提出PrivacyBench框架,系统评估FL+DP、FL+SMPC等混合隐私技术在医学图像分类中的交互效应,发现FL+DP组合导致严重收敛失败和性能下降,而FL+SMPC保持近基线性能,为隐私-效用-成本权衡提供系统评估平台。
2026-06-26 cs.CR cs.CV
Towards Privacy-Preserving Person Re-identification via Person Identify Shift
近年来,行人身份识别(ReID)中的隐私问题越来越受到人们的关注,如何保护ReID中行人图像的隐私变得至关重要。去身份化(DeID)方法通过去除ReID数据的身份相关来减轻隐私问题。然而,大多数现有的DeID方法往往会删除所有与个人身份相关的信息,并损害ReID任务中去识别数据的可用性。在本文中,我们的目标是开发一种技术,可以实现一个很好的折衷之间的隐私保护和数据的可用性的人ReID。为了实现这一点,我们提出了一种新的去识别方法,明确设计的人ReID,命名为人识别转移(PIS)。PIS在保持图像对之间身份关系的同时,去除了行人图像中的绝对身份。通过利用变分自动编码器的插值特性,PIS将每个行人图像从当前身份转移到另一个具有新身份的身份,从而使图像仍然保持相对身份。实验结果表明,与现有的去身份方法相比,该方法在隐私保护和模型性能之间具有更好的权衡,能够抵御人类和模型对数据隐私的攻击。
2022-07-15 cs.CV
Privacy-Preserving Vision Transformer Using Images Encrypted with Restricted Random Permutation Matrices
Tokyo Metropolitan University(东京都立大学)
针对传统加密图像微调视觉Transformer会降低模型性能的问题,提出基于受限随机置换矩阵加密的隐私保护微调方法,可实现更优的模型性能。
2024-08-16 cs.CV
Privacy-Preserving Image Classification Using Vision Transformer
Tokyo Metropolitan University(东京都立大学)
在本文中,我们提出了一个隐私保护的图像分类方法,是基于加密图像和视觉Transformer(ViT)的组合使用。该方法不仅允许我们将没有视觉信息的图像应用于ViT模型进行训练和测试,而且还可以保持较高的分类精度。ViT利用补丁嵌入和位置嵌入图像补丁,所以这种架构被证明可以减少逐块图像变换的影响。在实验中,所提出的隐私保护图像分类的方法被证明优于国家的最先进的方法在分类精度和鲁棒性方面对各种攻击。
2022-05-24 cs.CV
Privacy-preserving Object Detection
Oxford Artificial Intelligence Society(牛津人工智能学会);University of Oxford(牛津大学)
数据集中的隐私考虑和偏见正在迅速成为计算机视觉社区需要面对的高优先级问题。到目前为止,很少有人注意到不涉及收集新数据集的实际解决方案。在这项工作中,我们表明,对于COCO上的目标检测,通过模糊面部来匿名化数据集,以及沿着性别和肤色维度以平衡的方式交换面部,可以保留目标检测性能,同时保护隐私和部分平衡偏见。
2021-03-11 cs.CV
A Privacy Preserving Method with a Random Orthogonal Matrix for ConvMixer Models
Tokyo Metropolitan University(东京都立大学)
提出了一种基于ConvMixer模型的隐私保护图像分类方法。为了保护测试图像的视觉信息,对测试图像进行分块,然后利用随机正交矩阵对每个分块进行加密。此外,在ConvMixer的嵌入结构的基础上,用用于加密测试图像的随机正交矩阵对用普通图像训练的ConvMixer模型进行变换。所提出的方法使我们不仅可以使用相同的分类精度的ConvMixer模型,而不考虑隐私保护,但也提高了对各种攻击的鲁棒性相比,传统的隐私保护学习。
2023-01-17 cs.CV
Knowledge Priors for Identity-Disentangled Open-Set Privacy-Preserving Video FER
School of CSE, UNSW Sydney(UNSW悉尼大学计算机科学与工程学院);CSIRO’s Data61(澳大利亚CSIRO数据61实验室)
本文提出一种两阶段框架,在无需身份标签的情况下,通过身份抑制网络和去噪模块实现隐私保护的视频情感识别,同时引入验证方法评估隐私鲁棒性。
2026-03-25 cs.CV
Towards Privacy-Preserving Fine-Grained Visual Classification via Hierarchical Learning from Label Proportions
PRIS, Beijing University of Posts and Telecommunications(北京邮电大学);Tsinghua University(清华大学)
针对隐私敏感场景下细粒度视觉分类依赖实例标签的问题,提出LHFGLP框架,利用标签比例学习范式并结合分层稀疏字典学习与分层比例损失,在三个数据集上显著提升了分类性能。
2025-05-29 cs.CV
Learnable Privacy-Preserving Anonymization for Pedestrian Images
Wuhan University(武汉大学);Zhejiang Lab(之江实验室)
研究了一种新的行人图像隐私保护匿名化问题,该问题为授权模型保留个人身份信息(PII),并防止PII被第三方识别。传统的匿名方法不可避免地会导致语义信息丢失,导致数据效用有限。此外,现有的学习匿名化技术,同时保留各种身份无关的效用,将改变行人的身份,因此不适合训练鲁棒的重新识别模型。为了探索行人图像的隐私-效用权衡,我们提出了一个联合学习可逆匿名化框架,该框架可以可逆地生成全身匿名图像,并且在人员重新识别任务上的性能下降很少。其核心思想是采用传统方法生成的脱敏图像作为初始隐私保护监督,联合训练一个匿名化编码器、一个恢复解码器和一个身份不变模型。我们进一步提出了一个渐进的训练策略来提高性能,迭代地升级初始匿名化监督。实验进一步证明了我们的匿名行人图像的隐私保护的有效性,提高了重新识别的性能,同时保护隐私。代码可在\url{https://github.com/whuzjw/privacy-reid}上获得。
2022-07-24 cs.CV cs.MM