时间序列数据共享中针对推断的主动隐私-效用权衡

物联网（IoT）设备，如智能电表、智能音箱和活动监测器，因其提供的服务而极为流行。然而，除了诸多益处外，它们也引发隐私担忧，因为它们与不可信的第三方共享细粒度的时间序列用户数据。在本工作中，我们考虑用户释放包含个人信息的数据以换取诚实但好奇的服务提供商（SP）提供的服务。我们将用户的个人信息建模为两个相关的随机变量（r.v.），其中称为秘密变量的一个需保持私密，而称为有用变量的另一个需为效用而披露。我们考虑主动顺序数据释放，其中在每一步用户从有限释放机制集合中选择，每个机制揭示关于用户个人信息（即随机变量的真实值）的一些信息，尽管具有不同统计特性。用户以在线方式管理数据释放，使得关于潜在有用变量的信息量尽可能快地最大化揭示，同时将敏感变量的置信度保持在预定义水平以下。对于隐私度量，我们考虑正确检测秘密真实值的概率以及秘密与释放数据之间的互信息（MI）。我们将这两个问题建模为部分可观测马尔可夫决策过程（POMDP），并通过优势 actor-critic（A2C）深度强化学习（DRL）数值求解。我们在合成数据和吸烟活动数据集上评估了所提策略的隐私-效用权衡（PUT），并通过由长短期记忆（LSTM）神经网络建模的SP的活动检测精度测试了其有效性。