DYSAN：通过对抗网络动态净化运动传感器数据以抵御敏感推断
密码学与安全
2020-10-09 v2 人工智能
机器学习
信号处理
摘要
随着量化自我运动的广泛普及，越来越多用户依赖移动应用通过智能手机监测其身体活动。授予应用对传感器数据的直接访问使用户面临隐私风险。确实，这些运动传感器数据通常被传输到部署于云端的分析应用，利用机器学习模型向用户提供健康反馈。然而，无法阻止服务提供商推断用户的私人敏感信息，如健康或人口统计属性。在本文中，我们提出 DySan，一个隐私保护框架，用于净化运动传感器数据以抵御不想要的敏感推断 (即提升隐私)，同时限制身体活动监测准确性的损失 (即维持数据效用)。为确保效用与隐私间的良好权衡，DySan 借助生成对抗网络 (GAN) 框架来净化传感器数据。更确切地说，通过竞争方式学习多个网络，DySan 能够构建针对指定敏感属性 (如性别) 的推断净化运动数据的模型，同时保持活动识别的高准确性。此外，DySan 根据输入数据动态选择使隐私最大化的净化模型。在真实数据集上的实验表明，DySan 可将性别推断大幅限制至 47%，同时仅使活动识别准确性降低 3%。
引用
@article{arxiv.2003.10325,
title = {DYSAN: Dynamically sanitizing motion sensor data against sensitive inferences through adversarial networks},
author = {Claude Rosin Ngueveu and Antoine Boutet and Carole Frindel and Sébastien Gambs and Théo Jourdan and Claude Rosin},
journal= {arXiv preprint arXiv:2003.10325},
year = {2020}
}