面向手机接触者追踪的去中心化隐私保护贝叶斯推断
计算机与社会
2020-05-12 v1 社会与信息网络
摘要
许多国家目前正准备使用智能手机应用来进行接触者追踪，作为管理 COVID-19 大流行并在初次暴发后防止疾病复发的努力的一部分。随着 Apple/Google 合作将接触者追踪功能引入 iOS 和 Android 的宣布，似乎很可能将在许多国家被采用。该应用功能的一个重要部分是决定是否应建议一个人自我隔离、接受检测或结束隔离。然而，Apple/Google 接触者追踪算法的隐私保护性质意味着这些决策的集中管理是不可能的，因此每台手机必须使用其自身的“风险模型”来指导决策。理想情况下，风险模型应使用贝叶斯推断，在给定用户及其他用户的检测结果的情况下决定最佳行动。在此我们提出一种去中心化算法，在保护用户隐私的同时估计病毒传播事件的贝叶斯后验概率，并评估何时通知用户、对其进行检测或解除隔离。该算法还允许手机上的疾病模型从所有人的接触者追踪数据中学习，并将使流行病学家更好地理解疾病动态。该算法是一种基于置信传播的消息传递算法，因此每台智能手机可用于执行算法的一小部分而无需释放任何敏感信息。通过这种方式，所有参与智能手机的网络形成了一个分布式计算设备，执行贝叶斯推断，在用户应开始/结束隔离或接受检测时通知各用户，并从用户数据中学习疾病信息。
引用
@article{arxiv.2005.05086,
title = {Decentralised, privacy-preserving Bayesian inference for mobile phone contact tracing},
author = {Daniel Tang},
journal= {arXiv preprint arXiv:2005.05086},
year = {2020}
}