CFD-HAR：基于条件特征解缔实现用户可控隐私
机器学习
2026-03-13 v1
摘要
现代可穿戴和移动设备配备了惯性测量单元（IMUs）。基于传感器数据的Human Activity Recognition（HAR）应用使用机器学习技术从这些传感器数据中获取信息。然而，基于传感器数据的HAR部署面临两个关键挑战：按照用户隐私偏好保护嵌入在传感器数据中的敏感用户信息，以及在有限标注样本下维持高识别性能。本文提出一种面向动态隐私过滤的用户可控隐私技术，通过在活动与敏感属性在潜在空间中进行特征解缔来实现。我们还比较了该技术与基于自编码器的少样本HAR方法的有效性。我们分析了它们的架构设计、学习目标、隐私保证、数据效率以及适用于边缘物联网（IoT）部署的特性。我们的研究表明，基于CFD的HAR通过在潜在空间中分离活动特征和敏感属性，提供了明确、可调的隐私保护控制；而自编码器基于的少样本HAR在标签效率和轻量级适应性方面具有优势，但缺乏内在的隐私保障机制。我们进一步检讨了两种方法在持续IoT环境下的安全性，强调其在表示泄露和嵌入级攻击中的脆弱性差异。分析结果表明，单一范式本身尚不足以满足下一代物联网HAR系统日益增长的要求。我们通过提出统一框架的研究方向，旨在同时优化隐私保护、少样本适应性和鲁棒性，以实现可信的物联网智能。
引用
@article{arxiv.2603.11526,
title = {CFD-HAR: User-controllable Privacy through Conditional Feature Disentanglement},
author = {Alex Gn and Fan Li and S Kuniyilh and Ada Axan},
journal= {arXiv preprint arXiv:2603.11526},
year = {2026}
}