Sensor selection for fine-grained behavior verification that respects privacy (extended version)

要約

有用な機能は、センサー測定のシーケンスまたはトレースからのデータを使用して、エージェントの行動を分類する機能です。
センサーの選択の問題には、生成された観察トレースにエージェントのアクティビティが何らかのパターンに一致するかどうかを判断するのに十分な情報が含まれていることを確認するために、利用可能なセンサーのサブセットを選択することが含まれます。
従来の研究を一般化して、この論文は、行動を区別するために選択されたセンサーを使用して、複数の行動日程表が提供される定式化を研究します。
これにより、エージェントのアクティビティをスペクトル上に位置づけるなど、きめの細かい質問をすることができます。
さらに、複数の旅程では、ある行動が常に別の行動によっておそらく隠蔽されている (または誤認されている) 場合に、センサーの選択について尋ねることもできます。
センサーのあいまいさを利用して知識の獲得を制限することは、強力なプライバシーの保証であり、これまでのいくつかの研究では、旅程間結合アプローチとは異なる定式化の下で検討されていた保証の形式です。
この論文では、センサー選択のためのプライバシー要件を具体的に定式化することで、上からの制限があるプライバシーと下からセンサーの選択が制限される動作検証の両方の作業ラインを新しい方法で結び付けます。
両方のタイプの限界から生じる最悪の場合の計算複雑さを検証し、標準的な計算複雑さの仮定の下では上限がより困難であることを証明します。
この問題は一般に扱いにくいですが、制約間の相互関係を利用して最適化の機会を特定できる、この問題を解決するアプローチを紹介します。
私たちが提案するソリューションの有用性とスケーラビリティを実証し、最適化の影響を評価するために、ケース スタディが提示されます。

要約(オリジナル)

A useful capability is that of classifying some agent’s behavior using data from a sequence, or trace, of sensor measurements. The sensor selection problem involves choosing a subset of available sensors to ensure that, when generated, observation traces will contain enough information to determine whether the agent’s activities match some pattern. In generalizing prior work, this paper studies a formulation in which multiple behavioral itineraries may be supplied, with sensors selected to distinguish between behaviors. This allows one to pose fine-grained questions, e.g., to position the agent’s activity on a spectrum. In addition, with multiple itineraries, one can also ask about choices of sensors where some behavior is always plausibly concealed by (or mistaken for) another. Using sensor ambiguity to limit the acquisition of knowledge is a strong privacy guarantee, a form of guarantee which some earlier work examined under formulations distinct from our inter-itinerary conflation approach. By concretely formulating privacy requirements for sensor selection, this paper connects both lines of work in a novel fashion: privacy-where there is a bound from above, and behavior verification-where sensors choices are bounded from below. We examine the worst-case computational complexity that results from both types of bounds, proving that upper bounds are more challenging under standard computational complexity assumptions. The problem is intractable in general, but we introduce an approach to solving this problem that can exploit interrelationships between constraints, and identify opportunities for optimizations. Case studies are presented to demonstrate the usefulness and scalability of our proposed solution, and to assess the impact of the optimizations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google