差分隐私集成决策梯度（IDG-DP）用于基于雷达的人体活动识别

人体运动分析在健康监测和疾病早期检测方面具有巨大潜力。雷达传感系统的出现备受关注，因为它们能够在无物理接触的情况下运行，并且可以集成到现有的Wi-Fi网络中。与基于摄像头的系统相比，它们也被认为对隐私的侵犯较小。然而，最近的研究表明，从雷达步态模式中识别受试者或性别具有很高的准确性，这引发了隐私问题。本研究通过研究基于雷达的人体活动识别（HAR）系统中的隐私漏洞，并提出了一种利用集成决策梯度（IDG）算法导出的归因来驱动差分隐私（DP）的新方法，以解决这些问题。我们调查了HAR环境中不同攻击者可获取信息级别的黑盒成员推理攻击（MIA）模型。我们通过设计一个基于CNN的HAR模型并严格评估其对MIA的鲁棒性，广泛评估了所提出的IDG-DP方法的有效性。实验结果表明，IDG-DP在缓解隐私攻击的同时，在所有设置下都能保持效用，特别是在针对仅标签和阴影模型黑盒MIA攻击方面表现出色。这项工作是实现有效基于雷达的HAR与稳健隐私保护之间平衡的关键一步。