PEaRL：基于早退强化学习的以人为中心系统个性化隐私保护

在不断演进的以人为中心的系统环境中，由于人类交互的动态特性，个性化隐私解决方案正变得日益关键。传统的静态隐私模型往往无法满足用户多样且不断变化的隐私需求。本文提出了 PEaRL，一个旨在通过使其方法适应个体行为模式与偏好来增强隐私保护的系统。在引入强化学习（RL）以实现自适应性的同时，PEaRL 主要侧重于采用早退策略，动态平衡隐私保护与系统效用。该方法应对了由人类行为的变异性与演化所带来的挑战，而静态隐私模型难以有效处理这些挑战。我们在两个不同场景中评估了 PEaRL：智能家居环境与虚拟现实（VR）智能教室。实证结果证明了 PEaRL 能够在用户隐私与应用效用之间提供个性化的权衡，并有效适应个体用户偏好。平均而言，在这两个系统中，PEaRL 将隐私保护提升了 31%，相应的效用降低了 24%。