康謀分享 | 突破傳統(tǒng)匿名化：先進(jìn)技術(shù)解鎖數(shù)據(jù)價(jià)值新維度

海量數(shù)據(jù)的收集使得新舊企業(yè)能夠利用機(jī)器學(xué)習(xí)技術(shù)開(kāi)發(fā)新產(chǎn)品并革新舊產(chǎn)品。近年來(lái)，數(shù)據(jù)質(zhì)量因直接影響了人工智能系統(tǒng)的性能和魯棒性而備受關(guān)注。然而，這對(duì)通常通過(guò)破壞像素信息（如模糊化、馬賽克等）來(lái)實(shí)現(xiàn)匿名化的方法提出了挑戰(zhàn)，這些方法導(dǎo)致合規(guī)性與數(shù)據(jù)質(zhì)量之間難以兼得。

我們探索了一種不是簡(jiǎn)單移除像素信息，而是對(duì)其進(jìn)行自然替換的深度自然匿名化（Deep Natural Anonymization，DNAT）方法，致力于提高匿名化數(shù)據(jù)價(jià)值，助力企業(yè)開(kāi)發(fā)創(chuàng)新。

DNAT能夠檢測(cè)人臉、車(chē)牌等可識(shí)別信息，并為每個(gè)對(duì)象生成人工替換。每個(gè)替換都盡可能匹配源對(duì)象的屬性，但這種匹配是有選擇性的，我們可以靈活控制保留哪些屬性。

例如，對(duì)于人臉，保留性別和年齡等屬性可能對(duì)后續(xù)分析至關(guān)重要。對(duì)于可識(shí)別信息以外的內(nèi)容，不包含敏感個(gè)人數(shù)據(jù)的信息則保留不做修改。通過(guò)這種方式，DNAT成功打破了數(shù)據(jù)消除與匿名化之間的傳統(tǒng)矛盾。

圖1: 匿名化工具的比較，從左至右依次為：Facepixelizer，YouTube，F(xiàn)ast Redaction，DNAT，原圖

為了衡量匿名化方法對(duì)數(shù)據(jù)質(zhì)量的影響，我們從Labeled Face in the Wild（LFW）數(shù)據(jù)集中采樣了圖像。所有圖像均取自測(cè)試集。我們比較了代表匿名化技術(shù)的四種不同的匿名化工具，圖1顯示了這些示例的一部分。

首先，我們分析了圖像在匿名化處理后的整體結(jié)構(gòu)變化。為此，我們仔細(xì)研究了圖像分割結(jié)果。圖像分割是將圖像的像素劃分為多個(gè)片段的過(guò)程，每個(gè)片段代表一個(gè)對(duì)象類別。在我們的示例中，最重要的對(duì)象是個(gè)人資料圖片中的人物和背景。

圖2和圖3展示了LFW數(shù)據(jù)集中兩位名人的分割圖。這些分割圖是由語(yǔ)義分割模型DeepLabv3+生成的，采用了官方TensorFlow存儲(chǔ)庫(kù)中的實(shí)現(xiàn)和模型權(quán)重。

圖2: AI Pacino DeepLabv3+ 分割結(jié)果對(duì)比

圖3: Reese witherspoon DeepLabv3+ 分割結(jié)果對(duì)比

從圖2和圖3中可以看出，傳統(tǒng)匿名化方法的分割圖明顯退化，其中一些甚至完全錯(cuò)誤。然而，深度自然匿名化（DNAT）保留了語(yǔ)義分割。分割圖與原始圖像幾乎完全相同。從圖3中可以看出，經(jīng)過(guò)傳統(tǒng)匿名化方法處理的人臉圖像不僅產(chǎn)生了較差的分割邊界，還使分割模型推斷出原始圖像中從未出現(xiàn)的新對(duì)象類別，如貓、狗或瓶子。

為了量化每種匿名化技術(shù)的影響，我們計(jì)算了整個(gè)測(cè)試集的平均交并比（mIOU）。計(jì)算是在不同方法生成的圖像分割圖與原始圖像分割圖之間進(jìn)行的。結(jié)果如表1所示。

表1：用mIOU測(cè)量的語(yǔ)義分割一致性（越高越好）

為了評(píng)估匿名化圖像與原始圖像之間的整體內(nèi)容一致性，我們使用了Clarifai的獨(dú)立圖像標(biāo)注模型。“通用圖像標(biāo)注模型能夠識(shí)別超過(guò)11,000種不同的概念，包括對(duì)象、主題、情緒等。”這些標(biāo)簽描述了模型從輸入圖像中推斷出的內(nèi)容。

此外，模型還為每個(gè)標(biāo)簽提供了置信度。圖4展示了Clarifai公共圖像標(biāo)注模型對(duì)原始圖像及其DNAT版本預(yù)測(cè)的前5個(gè)概念。

圖4:來(lái)自clarifai的Reese Witherspoon前5個(gè)概念。（左原始圖像，右DNAT）

理想情況下，通用圖像標(biāo)注模型應(yīng)該為原始圖像和匿名化圖像預(yù)測(cè)完全相同的概念。為了衡量一致性，我們使用Clarifai為每種匿名化技術(shù)的所有測(cè)試樣本預(yù)測(cè)概念。然后，我們計(jì)算了匿名化圖像與原始圖像之間前N個(gè)預(yù)測(cè)概念的平均精度（mAP）（其中N代表不同概念的數(shù)量）。

通過(guò)mAP，我們?cè)u(píng)估了兩點(diǎn)：預(yù)測(cè)概念的一致性及其相關(guān)分?jǐn)?shù)。例如，考慮一個(gè)匿名化圖像及其原始圖像對(duì)，經(jīng)過(guò)圖像標(biāo)注模型處理后，如果某個(gè)概念在匿名化圖像中的置信度值低于其在原始圖像中的置信度值，則對(duì)最終mAP分?jǐn)?shù)的影響較小；而如果某個(gè)概念僅出現(xiàn)在匿名化圖像中，而未出現(xiàn)在其原始圖像中，則影響較大。

前5和前50個(gè)概念的結(jié)果如表2所示。

表2：用mAP測(cè)量圖像概念一致性（越高越好）

本文探討了如何通過(guò)深度自然匿名化（DNAT）技術(shù)提升匿名化數(shù)據(jù)的價(jià)值，打破了傳統(tǒng)匿名化方法在合規(guī)性與數(shù)據(jù)質(zhì)量之間的固有權(quán)衡。DNAT通過(guò)生成自然替換而非破壞像素信息，不僅有效保護(hù)了個(gè)人隱私，還最大限度地保留了數(shù)據(jù)的分析價(jià)值。

實(shí)驗(yàn)表明，DNAT在圖像分割和內(nèi)容一致性方面顯著優(yōu)于傳統(tǒng)匿名化方法，能夠更好地支持后續(xù)的AI分析和應(yīng)用。