Gaussian Differentially Private Human Faces Under a Face Radial Curve Representation

要約

この論文では、ガウス差別的にプライベートな（GDP）3D人間の顔を解放する問題を検討します。
人間の顔は、多くの特徴を備えた複雑な構造であり、本質的に自分のアイデンティティに結び付けられています。
このデータを正式にプライベートな方法で保護することは、問題の次元を考えると重要でありながら挑戦的です。
機能データの近似DP技術をGDPフレームワークに拡張します。
さらに、一連の関数として3Dフェイスの新しい表現、顔のラジアル曲線を提案し、提案されているGDP機能データメカニズムを利用します。
ノイズを注入しながら顔の形を維持するために、顔の新規表現のために形状分析のツールに依存します。
私たちの方法は、平均的な顔の形状を保持し、同じプライバシー予算の従来の方法よりも少ないノイズを注入することを示します。
私たちのメカニズムは2つの主要なコンポーネントで構成され、1つ目は一般に関数値の概要に適用できます（ノンパラメトリック統計または機能データ分析で一般的に見られるように）。

要約(オリジナル)

In this paper we consider the problem of releasing a Gaussian Differentially Private (GDP) 3D human face. The human face is a complex structure with many features and inherently tied to one’s identity. Protecting this data, in a formally private way, is important yet challenging given the dimensionality of the problem. We extend approximate DP techniques for functional data to the GDP framework. We further propose a novel representation, face radial curves, of a 3D face as a set of functions and then utilize our proposed GDP functional data mechanism. To preserve the shape of the face while injecting noise we rely on tools from shape analysis for our novel representation of the face. We show that our method preserves the shape of the average face and injects less noise than traditional methods for the same privacy budget. Our mechanism consists of two primary components, the first is generally applicable to function value summaries (as are commonly found in nonparametric statistics or functional data analysis) while the second is general to disk-like surfaces and hence more applicable than just to human faces.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google