My Face My Choice: Privacy Enhancing Deepfakes for Social Media Anonymization

要約

最近、顔認識および識別アルゴリズムの製品化は、倫理的 AI に関して最も物議を醸すトピックになっています。
デジタル ID に関する新しいポリシーが形成されるにつれて、仮想的なソーシャル ネットワークに 3 つの顔アクセス モデルを導入します。このモデルでは、ユーザーは承認した写真にのみ表示される権限を持ちます。
私たちのアプローチは、現在のタグ付けシステムを凌駕し、承認されていない顔を量的に異なるディープフェイクに置き換えます。
さらに、このタスクに固有の新しいメトリックを提案します。この場合、ディープフェイクはランダムに生成され、非類似性が保証されます。
データ フローの厳密さに基づいてアクセス モデルを説明し、各モデルがプライバシー、使いやすさ、およびパフォーマンスに与える影響について説明します。
顔記述子データセットを実際のデータセットとして評価し、ランダムで等しいクラス分布を持つ 2 つの合成データセットを評価します。
結果に対して 7 つの SOTA 顔認識エンジンを実行すると、MFMC は平均精度を 61% 低下させます。
最後に、類似性指標、ディープフェイク ジェネレーター、データセットを構造的、視覚的、生成的な空間で広範囲に分析します。
設計の選択をサポートし、品質を検証します。

要約(オリジナル)

Recently, productization of face recognition and identification algorithms have become the most controversial topic about ethical AI. As new policies around digital identities are formed, we introduce three face access models in a hypothetical social network, where the user has the power to only appear in photos they approve. Our approach eclipses current tagging systems and replaces unapproved faces with quantitatively dissimilar deepfakes. In addition, we propose new metrics specific for this task, where the deepfake is generated at random with a guaranteed dissimilarity. We explain access models based on strictness of the data flow, and discuss impact of each model on privacy, usability, and performance. We evaluate our system on Facial Descriptor Dataset as the real dataset, and two synthetic datasets with random and equal class distributions. Running seven SOTA face recognizers on our results, MFMC reduces the average accuracy by 61%. Lastly, we extensively analyze similarity metrics, deepfake generators, and datasets in structural, visual, and generative spaces; supporting the design choices and verifying the quality.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google