Mallika Prabhakar

新的模糊提取器方案增强了机器学习模型在面对逆向攻击时的隐私保护

研究人员分析了用于保护机器学习模型（尤其是在面部身份验证系统中）的密码模糊提取器（FEs）的安全性。研究发现，现有的容忍$\ell_2$噪声的FE方案提供的安全性较弱，并演示了端到端的攻击，可以成功地从泄露的嵌入向量中重建受保护的面部。为了解决这些漏洞，研究人员提出了一种新的FE方案，该方案为基于机器学习的面部身份验证提供了更高的安全性、实际运行时间和可用准确性。