保护传感数据免受敏感推断攻击
机器学习
2018-06-21 v4
摘要
当用户授予应用程序对其移动设备传感器的直接访问权限时，个人数据如何被使用正引发越来越多的担忧。事实上，运动传感器生成的高分辨率时序数据直接反映用户的活动，并间接反映其身体与人口统计学属性。本文提出一种面向移动设备的特征学习架构，通过对原始传感器数据进行适当变换，提供灵活且可协商的隐私保护传感器数据传输。目标是从目前授予或不授予应用程序权限的二元设定，转向一种模型，使用户能根据所提供之服务，授予每个应用程序在有限推断范围内的权限。所提架构各组件的内部结构可灵活更改，且隐私与效用之间的权衡可在用户约束与底层应用程序之间协商。我们使用两个真实世界数据集在活动识别应用中验证了该架构，目标是在不泄露性别这一私有信息示例的前提下识别活动。结果显示，所提框架保持了变换后数据对活动识别的可用性，平均损失仅约三个百分点，同时将性别分类可能性从使用原始传感器数据时的 90% 以上降至约 50%（随机猜测目标）。我们还提出并发布了 MotionSense，一个从运动传感器采集的活动与属性识别新数据集。
引用
@article{arxiv.1802.07802,
title = {Protecting Sensory Data against Sensitive Inferences},
author = {Mohammad Malekzadeh and Richard G. Clegg and Andrea Cavallaro and Hamed Haddadi},
journal= {arXiv preprint arXiv:1802.07802},
year = {2018}
}
备注
6 pages