Nur mein Modell auf meinen Daten: Ein datenschutzfreundlicher Ansatz zum Schutz eines Modells und zur Täuschung unbefugter Black-Box-Modelle

Tiefe neuronale Netzwerke werden umfangreich in realen Anwendungen eingesetzt, wie z.B. bei der Gesichtserkennung und der medizinischen Bildklassifikation, wo Datenschutz und Datensicherheit entscheidend sind. Bilddaten, wenn sie nicht geschützt sind, können genutzt werden, um persönliche oder kontextbezogene Informationen abzuleiten. Bestehende Methoden zum Datenschutz, wie z.B. die Verschlüsselung, erzeugen veränderte Bilder, die selbst für Menschen unkenntlich sind. Angreifende Strategien verbieten automatisierte Inferenz, selbst für autorisierte Beteiligte, wodurch praktische Anreize für kommerzielle und weit verbreitete Anpassungen eingeschränkt werden. Diese bahnbrechende Studie behandelt einen unerforschten praktischen Anwendungsfall zum Datenschutz, indem sie menschlich wahrnehmbare Bilder generiert, die die genaue Inferenz eines autorisierten Modells beibehalten, während sie anderen unbefugten Black-Box-Modellen ähnlicher oder unterschiedlicher Ziele entgehen, und adressiert die bisherigen Forschungslücken. Die verwendeten Datensätze sind ImageNet für die Bildklassifikation, der Celeba-HQ-Datensatz für die Identitätsklassifikation und AffectNet für die Emotionsklassifikation. Unsere Ergebnisse zeigen, dass die generierten Bilder erfolgreich die Genauigkeit eines geschützten Modells aufrechterhalten und die durchschnittliche Genauigkeit der unbefugten Black-Box-Modelle auf 11,97 %, 6,63 % und 55,51 % bei den Datensätzen ImageNet, Celeba-HQ und AffectNet verringern.