在边缘端匿名化传感器数据：一种表示学习与变换方法

物联网（IoT）设备中传感器所收集数据的丰富性，以及深度神经网络在揭示时间序列数据隐藏模式方面的成功，引发了日益增长的隐私担忧。这是因为能够访问这些数据的应用可能从传感器数据中推断出私人和敏感信息。在本文中，我们旨在通过学习的低维表示（有益于数据混淆）来考察效用与隐私损失之间的权衡。我们在变分自编码器的潜空间中提出确定性与概率性变换，以合成时间序列数据，从而阻止侵入性推断，同时仍以足够精度进行所需推断。在确定性情形下，我们使用线性变换在潜空间中移动输入数据的表示，使得重建数据很可能具有与原输入数据相同的公共属性但不同的私有属性。在概率性情形下，我们以一定概率对输入数据的潜表示施加线性变换。我们将我们的技术与基于自编码器的匿名化技术进行比较，并进一步展示其可在资源受限的边缘设备上实时匿名化数据。