Dissertação
Privacy-preserving speech Emotion Recognition EVALUATED
Uma grande variedade de tarefas de aprendizagem automática e de prospeção de dados são, hoje em dia, usadas em várias circunstâncias, como por exemplo, em controlo de qualidade, eHealth, comércio bancário e segurança nacional. Devido à falta de grandes conjuntos de treino e de outras ferramentas é, normalmente, eficiente recorrer a outros partidos, com modelos preditivos precisos, para o teste de certos conjuntos de dados. Todavia, este método levanta sérias questões de privacidade. A situação torna-se ainda mais grave quando os conjuntos são compostos por dados irrevogáveis, como dados biométricos. É devido a este facto que é extremamente necessário que os dados em questão permaneçam confidenciais ao longo do seu teste no modelo preditivo. Nesta dissertação, baseámo-nos maioritariamente no desenvolvimento de esquemas de preservação de privacidade numa tarefa de reconhecimento de emoções com duas classes, como prova de conceito que poderá ser estendida a outras tarefas de análise de fala. O nosso objetivo é provar que a implementação de esquemas de preservação de privacidade de prospeção de voz em difíceis tarefas paralinguísticas não só é fazível, mas também eficiente e precisa. Numa primeira abordagem, foram usadas técnicas de preservação de distâncias entre hashes numa máquina de suporte de vetores. Seguidamente, numa segunda abordagem, foi utilizado um esquema de encriptação homomórfica total numa pequena rede neuronal, de maneira a eficientemente preservar a confidencialidade da gravação. A implementação destes dois esquemas promove uma proteção eficiente de dados sensíveis e pouca degradação em termos de precisão do modelo.
novembro 6, 2017, 14:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Catedrático