保护感官数据免受敏感推断影响
为了减轻从可穿戴设备或便携设备共享原始传感器数据到云辅助应用程序时可能遇到的隐私威胁,我们提出了在数据共享之前对传感器数据进行转换的机制,旨在通过消除可用于用户重新识别或推断敏感活动的模式,同时引入目标应用程序(或任务)的轻微效用损失来实现目的。我们展示了在手势和活动识别任务上,可以防止推断可能敏感的活动,同时使非敏感活动的识别准确率降低不超过 5 个百分点,并将用户重新识别和性别潜在推断的准确性降到随机猜测的水平,同时保持活动识别的准确性与原始数据中获得的准确性相当。
Nov, 2019
DEEProtect 是一种隐私保护框架,它采用新颖的自编码器技术对个人传感器数据进行数据最小化和特征混淆,实现对移动应用程序对用户敏感数据和行为推理的限制。
Feb, 2017
本文介绍了一个框架,可收集来自个人移动设备的数据集,包含异构传感器数据,使用六种降维技术,可以在保持准确率损失小于 3% 的情况下,实现 10 倍加速和超过 90% 的特征减少,从而提高上下文分类能力。
Jun, 2023
该论文提出了一种利用手机内置的加速度计传感器数据来识别用户身份的方法,通过建立一个随机森林分类模型,从步行数据样本中提取时间和频率信息特征。实验结果表明,该模型具有 0.9679 的准确率和 0.9822 的曲线下面积(AUC),可为智能手机提供一种低成本、高效的用户身份认证方法。
Nov, 2017
基于 Residual 网络和 Residual MobileNet 集成的分层多结构方法(FusionActNet)能够有效地对不同的人类活动进行分类识别,并在 UCI HAR 和 Motion-Sense 数据集上取得了 96.71% 和 95.35% 的准确率。
Oct, 2023
本篇论文提出了一种用于合作、隐私保护分析的深度神经网络混合方法,使用边缘处理的思想,在保持效益的同时,有效减少了不必要、潜在敏感信息的级别。利用 Siamese 微调技术,可以确保用户设备只带有主任务所需的必要信息,并防止数据的二次推断。
Mar, 2017
通过在两个人体活动识别数据集上进行广泛的实验研究,我们调查了常见的深度学习和机器学习方法以及不同的训练机制(如对比学习)和从传感器时间序列数据中提取的各种特征表示的性能,以评估它们在人体活动识别任务中的有效性。
Sep, 2023
DeepSense 是一个综合性的深度学习框架,能够直接处理移动感应中的噪声和特征自定义挑战。该框架可以应用于广泛的应用,包括汽车追踪、人类活动识别和生物运动分析,大幅优于现有方法。
Nov, 2016
描述了一个数据收集活动和由智能手机传感器得出的数据集,该数据集作为包含 45K 多个数据样本的 CSV 文件集合发布,每个样本由 1332 个与物理和虚拟传感器相关的特征组成,包括动作传感器、运行应用、附近设备和天气条件。此外,每个数据样本都与描述用户活动和传感实验中的情境(例如工作、就餐和运动活动)的基本真实标签相关联。为了避免引入数据收集过程中的任何偏差,我们在野外进行了传感实验,即使用志愿者的设备,并且没有限制用户行为。因此,收集的数据集对于定义和评估移动环境中根据用户情境变化调整行为的各种新颖背景感知解决方案(算法和协议)是一个有用的真实数据来源。
Jul, 2023