移动传感器数据匿名化
本研究提出了移动设备的特征学习体系结构,以适当转换原始感测器数据提供灵活的、可协商的隐私保护传输,并将模型从当前的二进制设置向每个应用程序授予权限的范围内推进,以实现提供的服务。该框架已在 MotionSense 数据集上验证,在保持转换数据对活动识别的有用性的同时,仅有约 3 个百分点的平均损失,同时将性别分类的可能性从使用原始感测器数据时的 90%以上降至使用转换数据时的 50%左右。
Feb, 2018
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
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
利用生物识别技术的高风险性及潜在隐私问题,本文提出了一种新颖的数据转换框架,可实现对生物识别数据的匿名化处理,以降低敏感信息泄露的风险并保留下游机器学习分析所需的特征。实验证明了该框架能通过高度抑制敏感信息的方式,同时保持数据的实用性,从而使得对匿名化生物识别数据的后续分析仍能达到令人满意的准确性。
May, 2024
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
本文提出利用变分自动编码器生成数据的潜在表示形式并将其与小型生成滤波器相结合,以实现在保护用户隐私的同时提高机器学习模型的效果。通过对 MNIST,UCI-Adult 和 CelebA 等数据集进行实验,结果显示了该方法具有很高的准确性。
Apr, 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
使用智能手机的惯性传感器,以无约束状态采集步态数据,通过深度学习技术学习建模,提出了一种有效的步态识别方法,使得人员身份鉴别和认证性能高于 93.5% 和 93.7%。
Nov, 2018
提出了一种基于深度自编码模型的多传感器数据的异常检测方法,用于在动态现实世界中可靠地执行机器人操作任务,结合红绿蓝(RGB)摄像头、深度摄像头、麦克风和力矩传感器等多种机器人传感器收集的异构数据流,通过训练一个深度自编码器来构建指示正常状态的多传感器数据的潜在表示,可以通过测量训练编码器和重构输入数据的潜在值之间的差异来识别异常,实验证明了该方法在各种对象类型、机器人行为和环境中的对象滑动情况下可靠地检测到异常,并且尽管存在视觉和听觉噪声。
Mar, 2024
利用 CP-MAE 提出的模型,通过遮蔽自动编码器对人脸进行去识别,表现出卓越的下游任务性能和去识别效果,同时能够合成高达 $256^3$ 分辨率的扫描,大大增加了体素的数量。
Oct, 2023