基于有向信息的深度学习用于隐私保护智能电表数据发布
机器学习
2022-05-17 v3 信号处理
摘要
数据收集的爆炸式增长引发了用户严重的隐私担忧，因为共享数据也可能泄露敏感信息。隐私保护机制的主要目标是在保持共享数据可用性的同时，阻止恶意第三方推断敏感信息。本文在时间序列数据背景下，特别是针对智能电表（SM）功耗测量研究该问题。尽管私有变量与发布变量之间的互信息（MI）已被用作常见的信息论隐私度量，但它无法捕捉功耗时间序列数据中存在的因果时间依赖关系。为克服此局限，我们引入有向信息（DI）作为该场景下更有意义的隐私度量，并提出一种新颖的损失函数。随后采用对抗框架进行优化，其中两个循环神经网络（RNN）分别以发布者与攻击者为角色，以相反目标进行训练。我们在智能电表实测真实数据集上、于攻击者能访问发布者所用全部训练集的最坏情形下的实证研究，验证了所提方法并揭示了隐私与效用之间的权衡。
引用
@article{arxiv.2011.11421,
title = {Deep Directed Information-Based Learning for Privacy-Preserving Smart Meter Data Release},
author = {Mohammadhadi Shateri and Francisco Messina and Pablo Piantanida and Fabrice Labeau},
journal= {arXiv preprint arXiv:2011.11421},
year = {2022}
}
备注
to appear in IEEESmartGridComm 2019. arXiv admin note: substantial text overlap with arXiv:1906.06427