Van slechts een snelle momentopname op een smartphone, beeldherkenningstechnologie kan een schat aan informatie bieden om shoppers te helpen koopjes in de winkel te vinden en toeristen te informeren over de naam van een oriëntatiepunt. Maar deze foto's geven mogelijk meer informatie over de voorkeuren en neigingen van gebruikers weg dan ze willen delen.

Onderzoekers van de Universiteit van Osaka hebben een coderingsvrij raamwerk voorgesteld om de privacy van gebruikers te beschermen wanneer ze op foto's gebaseerde informatiediensten gebruiken.

Kunstmatige intelligentie, zoals diep leren, heeft de prestaties van beeldherkenning drastisch verbeterd. Gebruikers kunnen een foto naar een server sturen, die de inhoud identificeert met behulp van een beeldherkenning en relevante informatie retourneert. Dit is voordelig voor het winkelend publiek, toeristen, en anderen, maar de resultaten kunnen persoonlijke informatie onthullen, zoals de huidige locatie van een gebruiker. De server kan ook identificatiegegevens van de smartphone gebruiken om huidige resultaten te koppelen aan resultaten uit het verleden om een ​​locatiegeschiedenis op te bouwen die nog meer privé-informatie bevat:"Foto's weerspiegelen privé-aspecten van hun eigenaar, zoals interesses, voorkeuren, en neigingen, " legt co-auteur Naoko Nitta uit, "die kan worden gelekt door webgebaseerde beeldherkenningsservices. Om dit probleem aan te pakken, we hebben een coderingsvrij raamwerk ontwikkeld voor privacybehoudende beeldherkenning, genaamd EnfPire."

Om het kader te gebruiken, de gebruiker haalt een functie uit de foto. EnfPire transformeert de functie voordat deze naar de server wordt verzonden. Omdat de server de getransformeerde afbeelding niet uniek kan identificeren, het geeft een set kandidaten terug aan de gebruiker, die ze vergelijkt met het originele kenmerk met behulp van een eenvoudige herkenner. "Met ons kader, de aanbieder van de fotoherkenningsdiensten onvoldoende informatie kan ontvangen voor unieke beeldherkenning, terwijl de gebruiker het juiste herkenningsresultaat en de bijbehorende service-informatie verkrijgt, ", zegt hoofdauteur Kazuaki Nakamura.

EnfPire abstraheert met succes locatie-informatie, maar dit is niet voldoende om de geschiedenis van de gebruiker te beschermen, die nog konden worden benaderd uit geografische relaties tussen resultaten. Dus, het onderzoeksteam stelde een tegenmaatregel voor waarbij dummy-verzoeken automatisch van de smartphone naar de server worden verzonden, die resultaten retourneert op basis van de dummy-verzoeken die automatisch van het apparaat worden verwijderd zonder dat de gebruiker zich bewust is van het proces. De dummy-functies zijn zorgvuldig gekozen, zodat de server ze niet als zodanig identificeert.

In praktijkexperimenten, EnfPire verlaagde de herkenningsnauwkeurigheid van de server van 99,8 procent naar 41,4 procent, maar de nauwkeurigheid van de gebruiker was 86,9 procent. "We verwachten dat dit raamwerk een grote bijdrage zal leveren aan onderzoek, ontwikkeling, en toepassing van veilige en beveiligde kunstmatige intelligentie, ", voegt senior auteur Noboru Babaguchi toe.