當今機器學習的影響很明顯，其廣泛應用。例如，由於公司希望易於使用該技術來節省時間和資源，因此已尋求面部識別系統以方便數據。
但是，其他人依靠依靠gan或生成對抗網絡的保護隱私工具。 Gans利用神經網絡，可以創建視頻，圖像，語音，文本等材料。它們是否足夠可靠以保留私人數據？
研究講述了有關保護隱私的機器學習工具的內容
在一份報告中科學日報，NYU Tandon工程學院的一支團隊進行的研究發現，結果“不是很”的反應。
位於美國學院的主要研究人員Siddharth Garg表示，他們正在發現是否可以通過圖像檢索私人數據，因為它們是由Gans“消毒”的，這是機器學習歧視者的一個例子。
此外，專門從事計算機和電氣工程的副教授還補充說，應首先通過一系列經驗測試篩選數據。
但是，該研究的其他作者本傑明·譚（Benjamin Tan）和康（Kang Liu）表示，私人數據可以通過隱私篩選，因為PP（隱私保護性）甘斯可以推翻它們。這意味著可以從消毒圖像中獲取上述“秘密”數據。
隱私工具可以做的一系列活動是巨大的。它可以從相機中帶出一些數據，這些數據告訴車輛的位置。
它還可以從圖像中擺脫條形碼，並通過他的筆跡不清楚該人的身份。的確，這些基於GAN的工具是複雜性構建的，這就是為什麼它們外包給供應商的原因。
根據Garg的說法，可以通過使用帶有PP-GAN的第三方工具來操縱圖像。他補充說，當這些系統對圖像和其他數據進行消毒時，“關鍵信息”仍然存在。
Garg繼續說，即使隱私檢查允許對抗性PP-GAN，仍然有秘密數據可以將私有圖像恢復為原始形式。
研究大綱
研究人員做了一個考慮隱私檢查的方法大綱。他們制定了一種方案，以檢查有關PP-GAN關於其隱私的經驗測試是否會被破壞。
第一種情況涉及與PP-GAN有關的全面分析。研究人員進行了測試，以找出隱私檢查是否不足以識別何時敏感信息洩漏。
第二個是通過新穎的隱形方法完成的，研究人員通過修改PP-GAN從消毒圖像中隱藏了用戶ID。
最後一個是測試，以確定PP-GAN是否可以通過消毒圖像完全恢復私人信息，因為它們已經通過了隱私檢查。
研究的論點和結論
研究人員提出了一個論點，即基於培訓預算和歧視者的學習能力，基於經驗指標，隱私檢查對私人安全的不足。
Garg說：“從實際的角度來看，我們的結果聽起來很謹慎，以防使用數據消毒工具，尤其是由第三方設計的PP-GAN。”
GARG結束時，結果表明，深度學習的隱私檢查在研究中有一些失誤。當使用不受信任的第三方來源的PP-GAN工具時，它們也會承受風險。
要訪問題為“顛覆隱私保護gan：隱藏在消毒圖像中的秘密”的完整研究，請訪問此網站。
本文歸Tech Times擁有。
由Joen Coronel撰寫
