最小感知原则：用于城市大数据分析的隐私友好感知范式
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
基于法律定义，本文介绍了数据最小化的优化框架，并使用多个优化算法来实现数据最小化，通过对合规性和用户隐私影响的全面评估，我们的分析强调了数据最小化的隐私预期与实际隐私利益之间的不匹配，强调了需要考虑现实世界隐私风险的多个方面的方法的需求。
May, 2024
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
通过移动众包感知，提出一种隐私保护的协作学习框架，可用于推广以改善社会各个方面的服务，案例研究展示了该框架的功能，包括使用视觉算法来改善视障人士的导航。
Jan, 2022
本文探讨在个性化信息获取系统中 GDPR 中 `data minimization' 的执行，通过实证研究找到了不同执行方式的可行性，对不同用户产生的影响和表现结果进行分析，揭示了在此背景下数据最小化问题的复杂性和尚存的计算和监管挑战。
May, 2020
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
近年来的硬件和信息技术的发展使得世界上数十亿个互联智能设备的出现成为可能，它们通过最小的人类干预交换信息。这种称为物联网（IoT）的范式正在快速发展，到 2025 年估计将有 27 亿个设备。然而，这些设备产生的海量数据给用户隐私保护带来了越来越多的担忧，因此本研究引入了已有的一些针对物联网领域的数据隐私保护方案。
Apr, 2023