Enhancing Privacy Protection in Online Federated Learning: A Method for Secure Face Image De-Identification Using a Modified Diffie-Hellman Algorithm
Notice bibliographique
Résumé
The proliferation of face images, alongside their widespread dissemination and easy accessibility through social media, underscores a pressing challenge to personal identification information protection.Conversely, advancements in identity-agnostic computer vision technologies offer valuable benefits, necessitating cautious utilization of face images to safeguard individual privacy.'Face de-identification', or 'face anonymization', refers to the process of altering an original face image to a nearidentical one that obscures the subject's actual identity.Existing de-identification strategies, despite considerable efforts, often fall short in photo-realism or fail to strike an optimal balance between privacy and utility.This study proposes an approach for generating de-identified facial images using instances, addressing the potential privacy breaches and identity exposure associated with facial features.The proposed system involves a two-stage training process.Initially, a federated learning framework is suggested, enabling knowledge amalgamation through the mutual exchange of model parameters among clients during federated training, devoid of data sharing.Subsequently, sensitive information is secured using an enhanced version of the Diffie-Hellman algorithm coupled with a genetic algorithm.In the event of data loss or corruption, an optimized genetic algorithm (OGA) is employed to successfully restore the data, thereby offering protection against potential insider threats in federated learning.The decryption process is then executed as if the user had initiated the request.Experimental results demonstrate that the proposed federated learning approach delivers performance equivalent to centralized learning, thereby validating the practicality and effectiveness of the suggested architecture.Specifically, a model of the federated learning-deep convolutional neural network (FL-DCNN) achieved an accuracy of 95.2%, precision and F1-score of 95%, recall of 96%, and a final specificity of 96.80%.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».