脑机接口应用中用户隐私保护
密码学与安全
2019-07-04 v1 机器学习
摘要
机器学习（ML）正在革新科研与产业。许多 ML 应用依赖大量个人数据进行训练与推断。在被利用的最私密数据源中，脑电图（EEG）数据因其信息丰富，应用开发者可轻易从不受保护的 EEG 信号中获取超出声明范围的知识，包括密码、ATM 密码及其他私密数据。我们应对的挑战是如何在利用 EEG 数据进行有意义的 ML 的同时保护用户隐私。为此，我们提出基于安全多方计算（SMC）的密码学协议，以完全隐私保护（PP）的方式对多用户 EEG 信号进行线性回归，即各用户的 EEG 信号不向任何其他方泄露。为展示该安全框架的潜力，我们说明其如何像未加密情形一样从用户 EEG 信号估计驾驶员困倦度，且计算代价合理。我们的方案是基于商品的 SMC 在 EEG 数据上的首次应用，也是迄今文献中规模最大的基于秘密共享的 SMC 实验（所有计算涉及 15 个参与方）。
引用
@article{arxiv.1907.01586,
title = {Protecting Privacy of Users in Brain-Computer Interface Applications},
author = {Anisha Agarwal and Rafael Dowsley and Nicholas D. McKinney and Dongrui Wu and Chin-Teng Lin and Martine De Cock and Anderson C. A. Nascimento},
journal= {arXiv preprint arXiv:1907.01586},
year = {2019}
}