多模态联邦人类活动识别中的隐私问题
机器学习
2023-06-05 v2 人工智能
摘要
人类活动识别（HAR）训练数据通常具有隐私敏感性，或由非合作实体持有。联邦学习（FL）通过在边缘客户端上训练 ML 模型来解决此类担忧。本工作研究在用户、环境与传感器层面隐私对联邦 HAR 的影响。我们表明，用于 HAR 的 FL 性能取决于 FL 系统所假设的隐私级别，且主要取决于来自不同传感器的数据是否共置。通过避免数据共享并如先前工作那样假设人或环境层面的隐私，准确率下降 5-7%。然而，将此扩展至模态层面并严格在不同客户端间分离传感器数据，可能使准确率下降 19-42%。由于这种隐私形式对于 HAR 中被动感知方法的合乎伦理的使用是必要的，我们实现了一个系统，其中客户端共同训练一个通用 FL 模型以及每个模态的组级模型。我们的评估显示，该方法仅导致 7-13% 的准确率下降，使得构建具有多样化硬件的 HAR 系统成为可能。
引用
@article{arxiv.2305.12134,
title = {Privacy in Multimodal Federated Human Activity Recognition},
author = {Alex Iacob and Pedro P. B. Gusmão and Nicholas D. Lane and Armand K. Koupai and Mohammud J. Bocus and Raúl Santos-Rodríguez and Robert J. Piechocki and Ryan McConville},
journal= {arXiv preprint arXiv:2305.12134},
year = {2023}
}
备注
In 3rd On-Device Intelligence Workshop at MLSys 2023, 8 pages