可解释的旋转等变多值网络用于属性混淆

《IEEE Transactions on Pattern Analysis and Machine Intelligence》：Interpretable Rotation-Equivariant Multiary-Valued Network for Attribute Obfuscation

防止神经网络信息泄露的旋转equivariant加密方法，通过将实值特征转换为多值特征并隐藏输入信息于相位中，利用旋转轴和角度作为私钥实现加密，保持空间相关性以便卷积操作，实验证明其防泄露能力显著优于传统方法且计算成本更低。

　　

摘要：

本文关注的是防止神经网络中信息泄露的问题，即假设攻击者已经获得了神经网络的中间层特征，并防止攻击者将这些特征逆转换为包含私有信息的输入。我们提出了一种通用方法，将任何传统的神经网络略微修改为多值旋转等变神经网络（RENN），以防止信息泄露。具体来说，我们将网络中的实值特征转换为多值特征，特征向量中的每个元素都是一个多值数。我们将输入信息隐藏在多值特征的某个相位中，并在加密过程中旋转多值特征以实现属性混淆。旋转轴和角度可以被视为私钥。这样，即使攻击者获得了网络参数和中间层特征，他们也无法在不知道旋转信息的情况下提取输入信息。更重要的是，加密操作不会破坏特征之间的空间相关性，因此加密后的特征可以在神经网络中通过卷积操作轻松处理而不会遇到困难。为了实现成功的加密和解密，RENN被设计为满足旋转等变性质。为此，我们提出了一套规则来修改神经网络中的经典操作，以确保旋转等变性质。此外，我们证明了