Random Cropping stärkt Datenschutz bei Bildverarbeitung ohne Kosten

In der Computer Vision ist das zufällige Zuschneiden von Bildern (Random Cropping) eine der meistgenutzten Datenaugmentierungsmethoden. Bislang wurde jedoch nicht erkannt, dass die inhärente Zufälligkeit dieser Technik ein zusätzliches Mittel zur Verstärkung der Differential Privacy (DP) sein kann, ohne dass Modelle oder Trainingsabläufe verändert werden müssen.

Wenn sensible Inhalte – etwa Gesichter oder Nummernschilder – räumlich lokalisiert sind, kann Random Cropping sie mit einer gewissen Wahrscheinlichkeit aus dem Eingabe-Bild herauslassen. Diese zusätzliche Stochastizität wirkt sich neben dem bereits vorhandenen Gradientenniveau und der Mini‑Batch‑Sampling‑Unbestimmtheit auf die DP‑Sicherheit aus. Durch die Einführung einer patch‑basierten Nachbarschaftsbeziehung für Bilddaten lässt sich dieser Effekt formal beschreiben, und es lassen sich präzise Privatsphäre‑Grenzen für DP‑SGD (Differentially Private Stochastic Gradient Descent) ableiten. Die Analyse quantifiziert die Wahrscheinlichkeit, dass ein Patch in das Modell einbezogen wird, und zeigt, wie sie mit dem Mini‑Batch‑Sampling zusammenwirkt, um die effektive Stichprobengröße zu senken.

Experimentell wurde die Patch‑Level‑Amplifikation an mehreren Segmentierungsarchitekturen und Datensätzen getestet. Die Ergebnisse demonstrieren, dass die Kombination aus Random Cropping und bestehender Stochastizität die Balance zwischen Privatsphäre und Modellleistung deutlich verbessert. Diese Erkenntnis verdeutlicht, dass die Abstimmung der Privatsphäre‑Berechnung auf die Domänenstruktur und vorhandene Zufälligkeitsquellen zu stärkeren Garantien führt – und das völlig kostenfrei.