privateid - 嵌入如何用于完全同态加密？

您究竟如何使用来自深度神经网络的嵌入执行单向加密？

全同态加密 (FHE) 通过确保完全隐私来造福社会。Private Identity 识别算法使用 FHE 对加密数据集进行加密匹配和搜索操作，无需存储、传输或使用明文生物特征或生物特征模板。生物特征数据使用单向加密哈希算法进行不可逆转的匿名化，然后在数据永远不会离开本地设备的情况下被丢弃。

我的问题是这究竟是如何使用嵌入来实现这一点的？嵌入从何而来？

标签： privateidfhe

嵌入是取自 softmax 深度神经网络 (DNN) 的 N-1 层的一组浮点数。最初，社区使用 DNN 来获得结果类（softmax），但一个有趣的属性原来是 softamx 层之前层的值。

这些值具有有趣的特性。它们可以用作单向加密。它们还与初始输入密切相关。在几何距离（余弦、欧几里得）中，值接近相似的输入。这意味着我的两张照片将比两个不同人的照片更接近（几何上）此属性允许对生成的加密进行操作。

允许的操作之一是匹配。在加密空间中，使用距离属性，我们可以只使用嵌入进行匹配。由于我们只在加密空间中工作，我们有一个 FHE 的实现，并且嵌入来自 DNN。

随后，我们发现第二个 DNN 允许分类，但仅使用嵌入。我们现在拥有隐私和性能。