Interpretable Rotation-Equivariant Multiary-Valued Network for Attribute Obfuscation

Quanshi Zhang

doi:10.1109/TPAMI.2025.3599592

Interpretable Rotation-Equivariant Multiary-Valued Network for Attribute Obfuscation

2025-08-15

0

PRE

AI

DOI：10.1109/TPAMI.2025.3599592

原文链接

原文求助

摘要

En 中文

本文聚焦于神经网络中防止信息泄露的问题，即假设攻击者已获取神经网络的中间层特征，并防止攻击者将这些特征逆向还原为包含私有信息的输入。我们提出了一种通用方法，通过轻微修改任意传统神经网络，将其转化为多值旋转等变神经网络（RENN）以防止信息泄露。具体而言，我们将网络中的实值特征转换为多值特征，且特征向量中的每个元素均为一个多值数。我们将输入信息隐藏在多值特征的特定相位中，并在加密过程中旋转多值特征以实现属性混淆。旋转轴和角度可被视为私钥。通过这种方式，即使攻击者获取了网络参数和中间层特征，若不了解旋转信息，仍无法提取输入信息。更重要的是，加密操作不会破坏特征间的空间相关性，因此加密后的特征可被神经网络中的卷积操作轻松处理，无困难。为实现成功的加密与解密，RENN被设计为满足旋转等变性。为此，我们提出了一系列规则，用于修改神经网络中的经典操作，以确保旋转等变性。此外，我们证明了当$d^{\prime }< d$时，$d$值RENN向下兼容$d^{\prime }$值RENN。实验表明，与传统的神经网络相比，RENN显著提升了防止信息泄露的能力，且分类准确率仅有轻微下降。此外，其计算成本远低于同态加密。

Keyword:

Convolutional neural networks

privacy protection

preventing information leakage

Interpretable Rotation-Equivariant Multiary-Valued Network for Attribute Obfuscation

摘要

期刊

机构

引用论文