Optimisation des accès à des données de vidéo-surveillance sous contraintes de respect de la vie privée dans une architecture distribuée – BioQOP

Le projet BioQOP traite d'une architecture où un système de reconnaissance de visages est distribué sur différent nœuds. L'innovation est d'entraîner chacun des nœuds de sorte que :
(1) Individuellement, chaque nœud a une capacité de distinguabilité faible ;
(2) Ensemble, la performance du système, une fois tous les résultats obtenus, est optimal en terme de précision de reconnaissance biométrique (sous les contraintes de privauté).

Le traitement des données biométriques est effectué avec des réseaux neuronaux convolutionnels profonds (CNN). Grâce à la propriété (1), un adversaire ayant accès à un nœud ne peut exploiter la signature du CNN sous-jacent pour la classification de données biométriques. Nous prévoyons de mesurer le perte de privauté grâce aux techniques de privauté différentielle. De plus, durant le projet BioQOP, nous souhaitons concevoir des techniques d'optimisation pour accéder, et interroger, les ressources coûteuses que sont les modèles – le coût ici étant celui requis par le budget de privauté différentielle.