面向具有时间相关性的眼动追踪的差分隐私
密码学与安全
2021-12-21 v3 人机交互
机器学习
信号处理
机器学习
摘要
新一代头戴式显示器，如 VR 和 AR 眼镜，正进入市场并已集成眼动追踪，有望在众多应用中实现新型人机交互方式。然而，由于眼动特性包含生物特征信息，必须妥善处理隐私问题。诸如差分隐私机制等隐私保护技术近来已应用于由此类显示器获得的眼动数据。但标准差分隐私机制由于眼动观测之间的时间相关性而存在脆弱性。在这项工作中，我们提出一种新颖的基于变换编码的差分隐私机制，以进一步使其适应眼动特征数据的统计特性，并比较多种低复杂度方法。我们扩展了傅里叶扰动算法（一种差分隐私机制），并修正了其证明中的一个缩放错误。此外，我们展示了除查询敏感度外样本相关性的显著降低，这在眼动追踪文献中提供了最佳的效用-隐私权衡。我们的结果在隐藏个人标识符的同时提供了显著高的隐私性，且分类准确率无任何实质性损失。
引用
@article{arxiv.2002.08972,
title = {Differential Privacy for Eye Tracking with Temporal Correlations},
author = {Efe Bozkir and Onur Günlü and Wolfgang Fuhl and Rafael F. Schaefer and Enkelejda Kasneci},
journal= {arXiv preprint arXiv:2002.08972},
year = {2021}
}
备注
In PLOS ONE