动态可控隐私保护少样本感知框架
机器学习
2025-11-19 v2 人工智能
摘要
用户可控隐私在现代感知系统中至关重要，因为隐私偏好可能因人而异且随时间演变。特别是配备惯性测量单元（IMU）传感器的设备，如智能手机和可穿戴设备，持续收集丰富的时间序列数据，这些数据可能无意中暴露敏感的用户行为。虽然已有工作为传感器数据提出隐私保护方法，但大多数依赖静态、预定义的隐私标签或需要大量私人训练数据，限制了其适应性和用户主动性。本文引入了PrivCLIP——一个动态、用户可控的少样本隐私保护感知框架。PrivCLIP允许用户通过将活动分类为敏感（黑名单）、非敏感（白名单）或中性（灰名单）来指定和修改隐私偏好。利用多模态对比学习方法，PrivCLIP将IMU传感器数据与自然语言活动描述在共享嵌入空间中对齐，从而实现对敏感活动的少样本检测。当识别出隐私敏感活动时，系统会使用语言引导的活动消毒器和运动生成模块（IMU-GPT）将原始数据转换为符合隐私要求的版本，使其在语义上类似于非敏感活动。我们在多个人类活动识别数据集上对PrivCLIP进行评估，实验结果表明其在隐私保护和数据实用性方面显著优于基线方法。
引用
@article{arxiv.2508.03989,
title = {Dynamic User-controllable Privacy-preserving Few-shot Sensing Framework},
author = {Ajesh Koyatan Chathoth and Shuhao Yu and Stephen Lee},
journal= {arXiv preprint arXiv:2508.03989},
year = {2025}
}