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

通过信息论方法，设计并使用多目标损失函数训练基于自编码器的移动设备上的传感器数据匿名化方法，实现了保护用户隐私的同时，仍具备监测用户选择日常活动的应用工具。

Oct, 2018

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

本研究通过对不同样本生成过程和验证协议进行分析，实施和评估了多种高性能方法，从手工制作的方法到卷积神经网络等各种方法，发现当前的实验评估方法都无法在可穿戴传感器数据的背景下执行活动识别，在此之中，识别准确度显着下降，该研究着重解决了在可穿戴传感器数据基础上的人体活动识别中影响识别准确性的关键问题，是第一篇解决这个问题的研究。

Jun, 2018

我们通过对多个传感器位置的全面评估，确定了建立位置不变模型的关键身体部位，并开发了可部署的设备内动作模型，实现了 91.41％的帧级 F1 得分。我们还研究了不同位置数据的合成，以减轻数据收集任务的负担，从而推进低门槛、位置不变的活动识别系统的研究。

Feb, 2024

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

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

本文提出了一种隐私保护的实用方法，使用通用的统计推断框架捕获推断攻击下的隐私威胁并满足效用约束，采用隐私保护概率映射技术对发布的数据进行扭曲处理，同时解决了实际中遇到的实用挑战，通过引入量化步骤和减少优化大小的方法，我们的方法在保证数据原版用途的情况下，取得了良好的隐私保护效果。

Aug, 2014

该论文介绍了一种无监督方法，通过基于人类活动的特性将人类活动投射到一个嵌入空间中，在该空间中相似的活动会紧密地聚集在一起，从而帮助聚类算法实现对人类活动的识别和分类，相较于直接应用于原始数据集的非监督技术，我们的方法在识别和分类潜在人类活动方面取得了更好的性能。

Jul, 2023

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