Il est possible de produire des échantillons artificiels pour les algorithmes de reconnaissance faciale qui simultanément maintiennent l’efficacité du code et réduisent les fuites de la vie privée, selon une équipe internationale de chercheurs.
Les chercheurs ont produit un cadre en deux étapes qu’ils ont en fait appelé FaceMAE car il utilise des auto-encodeurs masqués, ou MAE. Il est divisé en deux : les phases de formation et de mise en œuvre biométriques. Leur travail a en fait été publié, mais pas examiné.
Le titre ici est qu’en générant des visages à utiliser comme données de formation, FaceMAE considère simultanément la confidentialité des visages et l’efficacité de la reconnaissance, rapportent des chercheurs de l’Université nationale de Singapour ; Université d’Édimbourg, Écosse; Université Tsinghua, Chine ; et InsightFace, une bibliothèque open-source d’analyse de visage en 2 et 3 dimensions.
Les résultats sont motivants. FaceMAE réduit les fuites de confidentialité personnelles d’environ 20 %. Elle a réduit le taux d’erreur de 50 % par rapport à la technique la plus performante lorsqu’elle a été entraînée sur des images reconstruites à partir de visages masqués aux trois quarts de l’ensemble de données Casia-WebFace.
Données biométriques de visage synthétique produites pour l’algorithme la formation attire déjà des millions d’investissements financiers, de sorte qu’une approche assurant une protection similaire de la vie privée avec une meilleure précision resterait en demande.
La menace de fuite de FaceMAE a été mesurée sur la base de la récupération des visages entre les ensembles de données reconstruits et initiaux. Les expériences du groupe suggèrent que les identités des images reconstruites sont difficiles à obtenir.
Un résumé technique de l’article peut être découvert sur le site d’information sur l’apprentissage automatique Marktechpost.
Toute l’actualité en temps réel, est sur L’Entrepreneur
