Ochrana osobních údajů v ML analýze

Abstract

Táto práca predstavuje systém rozpoznávania tváre so zabudovanou ochranou súkromia údajov. Zamerali sme sa na využitie klasifikátora a preskúmali sme kľúčové koncepty strojového učenia, ako sú neurónové siete a aktivačné funkcie. Na ochranu používateľských údajov sme implementovali Differential Privacy, pričom sme použili Laplaceov mechanizmus na zachovanie presnosti modelu pri súčasnej ochrane individuálnych záznamov. Taktiež sme využili metódu eigenfaces na extrakciu hlavných čŕtov tváre, čím sa zvýšila efektivita rozpoznávania. Systém bol implementovaný v jazyku Python s použitím datasetu Labeled Faces in the Wild (LFW), pričom sme vykonali predspracovanie ako zmena veľkosti obrázkov, konverzia do odtieňov sivej a normalizácia. Dataset sme rozšírili o nové osoby. Model dosiahol presnosť 75–80\% na samostatnom testovacom sete a úspešne rozpoznal aj novú osobu. Na demonštráciu praktického využitia sme vyvinuli jednoduchý klient-server systém. Používateľ si odfotí tvár pomocou mobilnej aplikácie, po čom je obrázok spracovaný a prevedený na vektor. Tento vektor je následne odoslaný na server na účely autentifikácie. Server využíva predtrénovaný model na overenie identity používateľa a na základe výsledku mu udelí, alebo zamietne další prístup do systému.

This thesis presents a face recognition system with integrated data privacy. We focused on using the MLPClassifier, exploring key machine learning concepts like neural networks and activation functions. To protect user data, we applied Differential Privacy, using the Laplace mechanism to maintain accuracy while safeguarding individual records. We also used eigenfaces to extract key facial features and improve recognition efficiency. The system was implemented in Python, using the Labeled Faces in the Wild (LFW) dataset with preprocessing steps such as resizing, grayscale conversion, and normalization. We were able to add new new individual to dataset expanding dataset. The model achieved 75–80\% accuracy on a separate test set and successfully recognized new individual. For real-world application, we developed a simple client-server system. Users capture photos via a mobile app, after which the image is processed and converted into a feature vector. This vector is then sent to the server for authentication. The server uses a pretrained model to verify the user, either granting or denying further access to the system.