Blinder：基于个性化联邦学习的感知系统端到端隐私保护
机器学习
2023-10-24 v3 密码学与安全
摘要
本文提出了一种在去中心化数据上训练的传感器数据匿名化模型，该模型在数据效用与隐私之间取得了理想的权衡，即使在传感器数据具有不同底层分布的异构设置下也是如此。我们的匿名化模型被称为 Blinder，其基于变分自编码器以及一个或多个以对抗方式训练的判别器网络。我们使用与模型无关的元学习框架，将通过联邦学习训练的匿名化模型适配到每个用户的数据分布。我们在不同设置下评估了 Blinder，结果表明，与在最集中数据上训练的最先进匿名化模型相比，它在两个 IMU 数据集上提供了端到端隐私保护，代价是将隐私损失最多增加 4.00%、将数据效用最多降低 4.24%。我们还展示了 Blinder 对射频感知模态进行匿名化的能力。我们的实验证实，Blinder 能够同时隐藏多个私有属性，并且具有足够低的功耗与计算开销，可部署在边缘设备与智能手机上以对传感器数据进行实时匿名化。
引用
@article{arxiv.2209.12046,
title = {Blinder: End-to-end Privacy Protection in Sensing Systems via Personalized Federated Learning},
author = {Xin Yang and Omid Ardakanian},
journal= {arXiv preprint arXiv:2209.12046},
year = {2023}
}