引言
人脸数据包含独特的身份信息，如瞳距、轮廓和尺寸等生物特征，机器学习技术能够通过训练人脸图像实现精准识别。然而，若人脸数据泄露，不法分子可能重构面部图像、生成虚拟视频或规避活体检测，导致严重的隐私风险和经济损失。随着人脸识别技术的发展，隐私保护问题日益受到重视。2023年8月，国家网信办发布《人脸识别技术应用安全管理规定（试行）（征求意见稿）》［1］，对人脸识别的应用场景提出具体要求，尤其是针对远距离、无感式识别技术设定了明确界限。在政策监管加强的背景下，技术层面的隐私保护研究逐渐受到关注。为了有效应对个人信息泄露和数据滥用的风险，不同学者从多元化的角度提出了创新的理论框架与技术手段，包括差分隐私［2-4］、联邦学习［5］、同态加密［6］、安全多方计算［7］等。这些方法在保障数据隐私的同时，推动了数据共享与协作的实践进步。其中，差分隐私作为一项重要的隐私保护技术，在防御推理攻击和模型提取攻击方面展现了显著的潜力。然而，在面部图像保护领域，其应用仍面临诸多挑战。现有方法在隐私性与可用性之间难以有效平衡，主要包括像素处理方法和特征向量处理方法的局限性。
本文基于差分隐私机制，提出一种契合图像识别特点的隐私保护方法，主要贡献包括：（1）提出基于径向距离与切向方向的差分隐私方法，并设计噪声生成机制以适配角度度量和欧式距离度量的分类需求；（2）提出隐私图像生成方法，通过简单的图像遮罩操作，将特征嵌入向量转化为满足差分隐私的特征表示；（3）构建隐私预算的度量方法，结合数学证明验证算法的隐私性及有效性，并在公开数据集上进行实验验证。
本文详细内容请下载：
http://www.chinaaet.com/resource/share/2000006371
作者信息：
贺春禄1，唐琪2
（1.中国科学院文献情报中心，北京100190；
2.湖南大学，湖南长沙410082）
