《Expert Systems with Applications》：Privacy Preservation in Face Soft Biometrics via Attribute Disentanglement
编辑推荐：
本文提出基于属性解耦的软生物特征隐私保护框架PrivAD，通过映射模块学习解耦潜在空间，结合专用损失的面匹配器保持身份一致性，并引入推理阶段的属性选择模块，用户可灵活指定需保护的生物特征（如性别、年龄），有效平衡隐私保护与身份识别实用性。
王悦|金彪|陈泽宇|林金森|姚志强
福建师范大学计算机与网络安全学院，福州，350117，福建，中国
摘要
软生物特征隐私增强技术已被广泛应用于面部识别系统中，以防止攻击者从面部图像中推断出性别、年龄和种族等敏感属性。尽管现有的面部属性隐私保护方法可以同时隐藏多个属性，但它们仍然面临三个关键挑战：（1）在保留非目标属性的同时精确修改目标属性；（2）在隐私保护和身份识别效用之间实现平衡；（3）提供灵活且用户可控的属性保护选项。为了解决这些挑战，本文提出了一种基于属性解耦的新型面部软生物特征隐私保护框架，该框架能够在有效隐藏敏感面部属性的同时最大化身份识别准确性。首先，引入了一个由属性监督损失引导的映射模块，以学习一个解耦的潜在空间，在该空间中不同属性的语义表示被分离出来以便进行可控操作。其次，结合了专用面部匹配损失的面部匹配器确保了身份的一致性，使模型在抑制敏感属性泄露的同时保持识别效用。最后，在推理阶段加入了一个属性选择模块（ASM），允许用户灵活指定要保护的属性（例如性别、年龄和微笑），从而在隐私敏感的应用中增强适应性和用户级可控性。实验结果表明，所提出的方法在保护面部属性隐私的同时保持了高身份识别效用。代码可在
https://github.com/Forestmumu/PrivAD获取。
章节摘录
引言
在现代智能身份验证系统中，面部识别技术已成为工业、政府和商业领域安全高效用户认证的基石。它在智能监控、支付验证、社交媒体和公共安全中的广泛应用极大地提高了便利性并改善了用户体验（Liu, Wen, Yu, Li, Raj, Song, 2017; Meng, Zhao, Huang, Zhou, 2021; Peng, Li, Chen, Xu, Xie, Sun, Zhang, 2024）。
相关工作
本节回顾了三个紧密相关的领域的相关工作。2.1节介绍了SBPE方法，包括图像级和表示级方法。2.2节介绍了面部属性操纵技术，涵盖了基于优化和学习的方法。2.3节讨论了解耦表示学习，重点介绍了基于VAE和GAN的属性分离方法。
提出的方案
本节详细介绍了提出的PrivAD方案。3.1节阐述了问题，定义了四个关键目标：属性隐私保护、身份效用保持、属性选择性和循环一致性。3.2节描述了特征解耦过程。3.3节概述了PrivAD框架，包括训练和测试阶段。3.4节介绍了训练目标，涵盖了重建、对抗性和属性
实验
本节介绍了提出的PrivAD模型的实验设置、评估目标和结果。4.1节描述了实验设置，包括数据集、实现细节和评估指标。4.2节概述了用于评估PrivAD性能的评估目标。4.3节报告并分析了实验结果，重点关注面部属性保护、身份识别效用保持、隐私-效用权衡等方面
结论
近年来，深度神经网络的快速发展极大地提高了从面部图像中提取软生物特征属性（如性别、年龄和表情）的能力。虽然这些属性提升了面部识别系统的功能，但它们的无意泄露却通过允许攻击者在未经同意的情况下推断敏感信息而威胁到了用户隐私。
为了解决这一挑战，我们提出了PrivAD来保护敏感的软生物特征属性，同时保持
CRediT作者贡献声明
王悦：撰写 – 审稿与编辑，撰写 – 原稿，可视化，验证，软件，方法论。金彪：撰写 – 审稿与编辑，验证，概念化，验证，方法论。陈泽宇：方法论，形式分析。林金森：撰写 – 审稿与编辑，形式分析。姚志强：撰写 – 审稿与编辑，方法论，形式分析。
利益冲突声明
作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。
