PrivDiffuser：面向传感器网络的数据隐私引导扩散模型

互联网物联网（IoT）设备收集的传感器数据可揭示有关个体的敏感个人信息，当与半受信任的服务提供商共享时，可能引发重大的隐私关注，因为他们可能使用机器学习模型从这些数据中提取信息。基于生成模型实现的数据隐私处理是一种有前景的解决方法，用于生成合成数据，以保留原始数据中包含的有用信息，同时遮蔽敏感信息。然后，这些新生成的数据将与服务提供商共享，而不是使用原始传感器数据。本文提出了一种基于去噪扩散模型的数据隐私处理技术，即 PrivDiffuser，通过整合有效的引导技术实现数据实用性和隐私性之间的最佳权衡。具体而言，我们从传感器数据中提取包含公共属性和私有属性信息的潜在表征，以引导扩散模型，并在学习潜在表征时施加基于相互信息的正则化，以减轻公共属性和私有属性之间的 entanglement，从而提高引导效果的有效性。在包含不同感知模态的三个真实数据集上的评估显示，PrivDiffuser 优于数据隐私处理领域的当前最先进方法，在数据实用性损失降低最高可达 $1.81\%$，隐私损失降低最高可达 $3.42\%$。此外，与现有隐私处理方法相比，PrivDiffuser 提供了独特的优势，即无需重新训练生成模型即可为具有不同隐私需求的用户提供隐私保护。