論文の概要: Hiding from Facebook: An Encryption Protocol resistant to Correlation Attacks

• arxiv url: http://arxiv.org/abs/2404.18817v1
• Date: Mon, 29 Apr 2024 15:53:03 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-30 13:08:44.476770
• Title: Hiding from Facebook: An Encryption Protocol resistant to Correlation Attacks
• Title（参考訳）: FacebookのHiding: 相関攻撃に耐性のある暗号化プロトコル
• Authors: Chen-Da Liu, Simone Santini,
• Abstract要約: ソーシャルネットワークはプライバシー侵害につながる可能性のある情報を公開している。 暗号化して、暗号鍵を信頼できる人だけと共有することで、この機密情報を隠したいかもしれない。 顔の各インスタンスに同じタグの異なる暗号化を関連付けて相関攻撃に対処する符号化システムを提案する。
• 参考スコア（独自算出の注目度）: 4.32776344138537
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In many social networks, one publishes information that one wants to reveal (e.g., the photograph of some friends) together with information that may lead to privacy breaches (e.g., the name of these people). One might want to hide this sensitive information by encrypting it and sharing the decryption key only with trusted people, but this might not be enough. If the cipher associated to a face is always the same, correlation between the output of a face recognition system and the cipher can give useful clues and help train recognizers to identify untagged instances of the face. We refer to these as "correlation attacks". In this paper we present a coding system that attempts to counter correlation attacks by associating to each instance of a face a different encryption of the same tag in such a way that the correlation between different instances is minimal. In addition, we present a key distribution code that allows only the owner of the images to encode the tags, but allows a group of trusted friends to decode them.
• Abstract（参考訳）: 多くのソーシャルネットワークでは、公開したい情報(例えば、友達の写真)と、プライバシー侵害につながる情報(例えば、その人たちの名前)を公開している。 暗号化して復号鍵を信頼できる人だけと共有することで、この機密情報を隠したいと思うかもしれないが、これでは十分ではないかもしれない。 顔に関連付けられた暗号が常に同じである場合、顔認識システムの出力と暗号との相関は有用な手がかりを与え、認識者が顔の未タグのインスタンスを識別するのに役立つ。 これを「相関攻撃」と呼ぶ。 本稿では,顔の各インスタンスに同一タグの異なる暗号化を関連付けることで,相関攻撃に対処する符号化システムを提案する。 さらに,画像の所有者のみにタグをエンコードできるようにするとともに,信頼された友人のグループにデコードさせるキー配布コードを提案する。

関連論文リスト

• Trustless Distributed Symmetric-key Encryption [0.6597195879147557]
  我々は、しきい値暗号としきい値復号の両方を可能にする対称鍵設定に焦点を当てる。 これまでの仕事は信頼できる第三者の存在に依存していた。 我々は,ディーラーフリーの設備を設計することで,信頼できる第三者の要求を解消することを提案する。
  論文  参考訳（メタデータ） (2024-08-28T20:56:30Z)
• Human-imperceptible, Machine-recognizable Images [76.01951148048603]
  より良い開発AIシステムと、センシティブなトレーニングデータから距離を置くことの間の、ソフトウェアエンジニアに関する大きな対立が露呈している。 画像が暗号化され、人間に認識され、機械に認識される」という、効率的なプライバシー保護学習パラダイムを提案する。 提案手法は,機械が認識可能な情報を保存しながら,暗号化された画像が人間に認識されなくなることを保証できることを示す。
  論文  参考訳（メタデータ） (2023-06-06T13:41:37Z)
• RiDDLE: Reversible and Diversified De-identification with Latent Encryptor [57.66174700276893]
  本研究は、Reversible and Diversified De-identification with Latent Encryptorの略であるRiDDLEを提示する。 事前に学習したStyleGAN2ジェネレータ上に構築されたRiDDLEは、潜伏空間内の顔のアイデンティティを暗号化して復号する。
  論文  参考訳（メタデータ） (2023-03-09T11:03:52Z)
• Generative Model-Based Attack on Learnable Image Encryption for Privacy-Preserving Deep Learning [14.505867475659276]
  本稿では,プライバシ保護深層学習のための学習可能な画像暗号化手法に対する,新たな生成モデルに基づく攻撃を提案する。 我々は、StyleGANベースモデルと潜伏拡散ベースモデルという、最先端の2つの生成モデルを使用している。 その結果,提案手法により再構成された画像は,通常の画像と知覚的に類似していることがわかった。
  論文  参考訳（メタデータ） (2023-03-09T05:00:17Z)
• Syfer: Neural Obfuscation for Private Data Release [58.490998583666276]
  我々は、再識別攻撃から保護するための神経難読化法であるSyferを開発した。 Syferはトレーニングされたレイヤをランダムニューラルネットワークで構成し、元のデータをエンコードする。 エンコードされたデータから診断を予測する能力を維持している。
  論文  参考訳（メタデータ） (2022-01-28T20:32:04Z)
• A Study of Face Obfuscation in ImageNet [94.2949777826947]
  本稿では,imagenetチャレンジにおける画像難読化について検討する。 ImageNetチャレンジのほとんどのカテゴリは、人のカテゴリではありません。 さまざまな深層ニューラルネットワークを顔画像上でベンチマークし、異なるカテゴリに対する異なる影響を観察します。 結果は、顔が破れた画像で学んだ特徴が等しく転送可能であることを示している。
  論文  参考訳（メタデータ） (2021-03-10T17:11:34Z)
• InfoScrub: Towards Attribute Privacy by Targeted Obfuscation [77.49428268918703]
  視覚データに流出した個人情報を個人が制限できる技術について検討する。 我々はこの問題を新しい画像難読化フレームワークで解決する。 提案手法では,元の入力画像に忠実な難読化画像を生成するとともに,非難読化画像に対して6.2$times$(または0.85bits)の不確実性を増大させる。
  論文  参考訳（メタデータ） (2020-05-20T19:48:04Z)
• Towards Face Encryption by Generating Adversarial Identity Masks [53.82211571716117]
  敵の識別マスクを生成するためのターゲットID保護反復法(TIP-IM)を提案する。 TIP-IMは、様々な最先端の顔認識モデルに対して95%以上の保護成功率を提供する。
  論文  参考訳（メタデータ） (2020-03-15T12:45:10Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。