COVID-19 接触追踪移动应用程序:隐私考虑和相关权衡
介绍了一个在加拿大开发的名为 “COVI” 的基于移动应用、利用点对点技术实现的新冠肺炎病毒接触者跟踪与风险意识软件,该软件采用机器学习技术辅助个性化提供病毒感染风险意识,且符合隐私保护标准。
May, 2020
本文评述数字接触追踪的三个部件 —— 个人设备、网络技术和传感特征,在基于智能手机和可穿戴设备进行接触追踪的情境下的应用,探讨中心化和去中心化的网络方法、以及利用智能手机和可穿戴设备上的传感特征来检测用户之间的接触风险并对两种设备的接近距离检测性能进行实验比较。
Aug, 2021
该研究介绍了一种名为 DP3T 的系统,该系统可用于安全、隐私地进行大规模的近距离追踪。该系统通过智能手机应用程序,帮助用户匿名地记录接近其的其他智能手机的随机 ID,以确保保密性和数据保护,并在 COVID-19 患者上传其 ID 后,通知所有接触过该患者的智能手机用户。
May, 2020
本论文提出了一种智能接触追踪系统,使用智能手机的蓝牙低功耗信号和机器学习分类器来准确快速地确定接触人员,并保障用户匿名,使用其社交距离规则并进行实时警报。
May, 2020
本研究探讨使用机器学习方法及蓝牙低功耗技术,通过对移动设备的传感数据和元数据分析距离,以改善传统手动接触追踪实践,达到防控传染病的目的。实验结果表明,使用 TableNet 结构和特征工程,可以显著提高模型性能,使得 nDCF 总得分从 2.08 下降到 0.21。
Mar, 2022
提出了一种全新的接触追踪范例,基于网络理论的力量,通过向周围人告知传染源与自己之间的距离,从而激发每个人自我保护的本能,提高社交附近感染的注意,减少病毒传播。该系统通过引入行为变革协调问题的解决方案,以极低的采纳阈值实现了用户视角的关键质量体现,并具有更强的加速计划实现更广泛采纳的自然动力和更有效的预警能力。
Oct, 2020
2020 和 2021 年的大流行病对经济和社会产生了巨大影响,研究表明接触追踪算法在病毒的早期控制中起着关键作用。然而,隐私问题目前阻碍了接触追踪算法的部署。我们提出针对攻击场景的一种带有差分隐私保证的接触追踪算法,并在两个最广泛使用的基于代理的 COVID19 模拟器上进行了测试,展示了在各种设置下的卓越性能。在真实的测试场景中,通过每个风险分数使用 epsilon=1 差分隐私进行发布,我们实现了病毒感染率的 2 到 10 倍减少。据我们所知,这是首个在 COVID19 的风险分数披露时具有差分隐私保证的接触追踪算法。
Dec, 2023
COVID19 疫情导致了巨大的经济和社会影响,接触追踪是一种有效的减少感染率的方法,但由于隐私问题尚未被广泛采用。本研究通过使用深度学习神经网络并确保差分隐私,大幅提高了分布式接触追踪技术的隐私保障,能够显著提高潜在感染者的检测并通过有针对性的测试降低感染率,这是将深度学习应用于接触追踪领域并保持隐私保护的重要首次尝试。
Apr, 2024
通过集成概率技术进行风险评估,在 COVID-19 疫情的控制和流行扩展阶段,使用口罩和系统性实施的接触追踪策略可能是一种有效且社会影响较小的替代方案。研究发现,概率接触追踪技术在捕获病原体扩散的逆向传播和超级传播事件方面表现出显著的功效。
Dec, 2023
通过 WiFi 传感器实现无需客户端参与的网络中心式接触者追踪,使用图算法提升传统方法的效率,基于实验验证其可行性和有效性。
May, 2020