Identificabile, ma non visibile uno schema di ri-identificazione di persone che preserva la privacy (Riepilogo del paper)
Identificabile, ma non visibile uno schema di ri-identificazione di persone che preserva la privacy' (Riepilogo del paper)
La re-identificazione della persona (Person Re-ID) è un sofisticato approccio di visione artificiale che facilita l’identificazione delle persone utilizzando telecamere di sorveglianza in luoghi e momenti diversi. L’utilizzo di immagini personali solleva notevoli preoccupazioni per la privacy, anche se ha un enorme potenziale per migliorare la sicurezza e la pubblica incolumità. Poiché le immagini individuali sono considerate informazioni private ai sensi delle leggi e dei regolamenti sulla privacy dei dati, questi problemi richiedono soluzioni che preservino la privacy.
Gli approcci esistenti per la re-identificazione della persona che preservano la privacy presentano determinate limitazioni. I metodi di crittografia convenzionali offrono forti garanzie di privacy, ma non consentono calcoli su dati crittografati. La crittografia omomorfica (HE) supporta direttamente i calcoli su testi crittografati, ma non consente al server cloud di accedere ai risultati dei calcoli. Inoltre, i meccanismi di crittografia esistenti per i vettori di caratteristiche in virgola mobile presentano problemi di decodifica e calcolo.
Recentemente, è stato pubblicato un nuovo articolo per proporre una nuova soluzione di re-identificazione della persona che preserva la privacy chiamata FREED. Questo sistema formula la re-identificazione della persona che preserva la privacy come metriche di similarità di vettori di caratteristiche crittografate, consentendo al server cloud di eseguire operazioni di re-identificazione senza compromettere la privacy di alcuna immagine personale.
- Top Strumenti/Ditte per Dati Sintetici per Modelli di Apprendimento Automatico nel 2023
- Top Strumenti di Rilevamento dei Contenuti di Intelligenza Artificiale (IA)
- Top AI Content Generators (2023)’ I migliori generatori di contenuti AI (2023)
In concreto, FREED utilizza nuovi meccanismi di codifica e protocolli di calcolo batch sicuri per crittografare vettori di caratteristiche in virgola mobile ed eseguire efficacemente operazioni di re-identificazione.
FREED introduce tre componenti chiave per proteggere la privacy dei vettori di caratteristiche durante il processo:
- Il Meccanismo di Codifica (ECMO) converte i vettori di caratteristiche in virgola mobile in numeri interi, garantendo accuratezza e evitando errori di decodifica.
- Il protocollo di Moltiplicazione Batch Sicura (BatchSMUL) calcola efficientemente le metriche di similarità dei vettori di caratteristiche crittografate, riducendo i costi di calcolo.
- Il protocollo di Decodifica Parziale Batch Sicura (BatchPDec) classifica in modo sicuro le metriche di similarità, consentendo una re-identificazione accurata della persona senza compromettere la privacy individuale.
Insieme, questi componenti forniscono una soluzione robusta che preserva la privacy per le attività di re-identificazione della persona.
Si propone di utilizzare ECMO per convertire i vettori di caratteristiche in virgola mobile in numeri interi, offrendo due vantaggi chiave. In primo luogo, elimina gli errori di decodifica comunemente riscontrati in altri metodi di codifica. ECMO garantisce un recupero più accurato dei vettori di caratteristiche originali dopo la crittografia e la decrittografia, preservandone l’affidabilità e migliorando l’accuratezza della re-identificazione della persona. In secondo luogo, questa conversione in numeri interi riduce significativamente i tassi di errore di calcolo e i costi di crittografia rispetto agli approcci tradizionali. Il processo più efficiente e preciso di ECMO migliora l’accuratezza e la praticità dello schema per le applicazioni reali.
Le prove hanno valutato l’efficienza di FREED rispetto a MGN, un approccio molto utilizzato, in termini di spese di calcolo e comunicazione. È stata dimostrata una considerevole riduzione dei tassi di errore per ECMO rispetto ad altre tecniche di codifica. Sono stati anche stabiliti i parametri di controllo. FREED ha offerto un metodo sicuro e funzionale per la re-identificazione umana, che ha superato i protocolli precedenti in termini di calcolo e comunicazione.
In conclusione, l’articolo presenta FREED, una soluzione innovativa ed efficace per la re-identificazione della persona che preserva la privacy. Sfruttando il Meccanismo di Codifica (ECMO) per convertire i vettori di caratteristiche in virgola mobile in numeri interi, FREED affronta le limitazioni dei metodi di codifica tradizionali, ottenendo un’accuratezza migliorata e riducendo gli errori di calcolo e di calcolo. I protocolli di Moltiplicazione Batch Sicura (BatchSMUL) e di Decodifica Parziale Batch Sicura (BatchPDec) migliorano l’efficienza del sistema. Attraverso valutazioni sperimentali approfondite, FREED dimostra la sua efficacia ed efficienza rispetto a metodi come MGN. Nel complesso, FREED offre un approccio promettente per affrontare le sfide della privacy nella re-identificazione della persona, mantenendo un’alta accuratezza e praticità per le applicazioni reali.
