Blinder: End-to-end Privacy Protection in Sensing Systems via Personalized Federated Learning

要約

この論文では、分散データでトレーニングされ、センサー データの基盤となる分布が異なる異種環境でも、データのユーティリティとプライバシーの間で望ましいトレードオフを実現するセンサー データの匿名化モデルを提案します。
ブラインダーと呼ばれる私たちの匿名化モデルは、変分オートエンコーダーと、敵対的な方法でトレーニングされた 1 つまたは複数の識別子ネットワークに基づいています。
モデルに依存しないメタ学習フレームワークを使用して、フェデレーテッド ラーニングによってトレーニングされた匿名化モデルを各ユーザーのデータ分布に適応させます。
さまざまな設定で Blinder を評価し、現状と比較してプライバシー損失が最大 4.00% 増加し、データ ユーティリティが最大 4.24% 減少するという代償を払って、2 つの IMU データセットに対してエンドツーエンドのプライバシー保護を提供することを示しました。
-一元化されたデータでトレーニングされた最先端の匿名化モデル。
また、無線周波数センシング モダリティを匿名化する Blinder の機能も紹介します。
私たちの実験では、Blinder は一度に複数のプライベート属性を隠蔽でき、センサー データのリアルタイム匿名化を実行するためにエッジ デバイスやスマートフォンに導入するのに十分な低消費電力と計算オーバーヘッドを備えていることが確認されました。

要約(オリジナル)

This paper proposes a sensor data anonymization model that is trained on decentralized data and strikes a desirable trade-off between data utility and privacy, even in heterogeneous settings where the sensor data have different underlying distributions. Our anonymization model, dubbed Blinder, is based on a variational autoencoder and one or multiple discriminator networks trained in an adversarial fashion. We use the model-agnostic meta-learning framework to adapt the anonymization model trained via federated learning to each user’s data distribution. We evaluate Blinder under different settings and show that it provides end-to-end privacy protection on two IMU datasets at the cost of increasing privacy loss by up to 4.00% and decreasing data utility by up to 4.24%, compared to the state-of-the-art anonymization model trained on centralized data. We also showcase Blinder’s ability to anonymize the radio frequency sensing modality. Our experiments confirm that Blinder can obscure multiple private attributes at once, and has sufficiently low power consumption and computational overhead for it to be deployed on edge devices and smartphones to perform real-time anonymization of sensor data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google