Replacement AutoEncoder：一种用于感官数据分析的隐私保护算法

移动设备、物联网 (IoT) 和可穿戴设备上越来越多的传感器生成了物理活动的时间序列测量数据。虽然获取感官数据对于健康监测或活动识别等许多有益应用的成功至关重要，但通过访问感官数据也可能发现大量关于个人的潜在敏感信息，而传统隐私方法难以对此进行有效保护。在本文中，我们提出了一种隐私保护传感框架，用于管理时间序列数据的访问，以在保护个人隐私的同时提供实用性。我们引入了 Replacement AutoEncoder，这是一种新颖的算法，它学习如何将对应于敏感推断的数据判别性特征转换为在非敏感推断中更常被观察到的特征，从而保护用户隐私。这种效率是通过为深度自编码器定义用户定制的目标函数来实现的。我们的替换方法不仅消除了识别敏感推断的可能性，也消除了检测其发生的可能性，这是过滤或随机化等其他方法的主要弱点。我们在多传感环境中利用活动识别任务，通过在三个基准数据集上进行广泛实验，评估了该算法的有效性。结果表明，它在保持最先进 (SOTA) 技术的识别准确率的同时，保护了敏感信息的隐私。最后，我们利用 GANs 在数据发布后检测替换的发生，并表明只有当对抗网络在用户的原始数据上进行训练时，这种检测才是可行的。