論文の概要: Slice it up: Unmasking User Identities in Smartwatch Health Data

• arxiv url: http://arxiv.org/abs/2308.08310v3
• Date: Mon, 16 Dec 2024 12:29:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 13:48:37.408374
• Title: Slice it up: Unmasking User Identities in Smartwatch Health Data
• Title（参考訳）: スライス:スマートウォッチの健康データでユーザーIDを偽装する
• Authors: Lucas Lange, Tobias Schreieder, Victor Christen, Erhard Rahm,
• Abstract要約: 本稿では、時系列健康データに対する類似性に基づく動的時間ワープ(DTW)再識別攻撃のための新しいフレームワークを提案する。 私たちの攻撃はトレーニングデータとは独立しており、1つのCPUコア上で1万の被験者に対して約2分で類似性ランキングを計算します。
• 参考スコア（独自算出の注目度）: 1.4797368693230672
• License:
• Abstract: Wearables are widely used for health data collection due to their availability and advanced sensors, enabling smart health applications like stress detection. However, the sensitivity of personal health data raises significant privacy concerns. While user de-identification by removing direct identifiers such as names and addresses is commonly employed to protect privacy, the data itself can still be exploited to re-identify individuals. We introduce a novel framework for similarity-based Dynamic Time Warping (DTW) re-identification attacks on time series health data. Using the WESAD dataset and two larger synthetic datasets, we demonstrate that even short segments of sensor data can achieve perfect re-identification with our Slicing-DTW-Attack. Our attack is independent of training data and computes similarity rankings in about 2 minutes for 10,000 subjects on a single CPU core. These findings highlight that de-identification alone is insufficient to protect privacy. As a defense, we show that adding random noise to the signals significantly reduces re-identification risk while only moderately affecting usability in stress detection tasks, offering a promising approach to balancing privacy and utility.
• Abstract（参考訳）: ウェアラブルは、可用性と高度なセンサーのため、健康データ収集に広く使われており、ストレス検出のようなスマートヘルスアプリケーションを可能にしている。 しかし、個人の健康データに対する敏感さは、重要なプライバシー上の懸念を引き起こす。 プライバシーを保護するために、名前や住所などの直接的な識別子を削除してユーザーを識別することは一般的であるが、データそのものは個人を再識別するために利用することができる。 本稿では、時系列健康データに対する類似性に基づく動的時間ワープ(DTW)再識別攻撃のための新しいフレームワークを提案する。 WESADデータセットと2つの大きな合成データセットを用いて、センサーデータの短いセグメントでさえ、スライシング・DTW-Attackで完全な再識別を達成できることを実証する。 私たちの攻撃はトレーニングデータとは独立しており、1つのCPUコア上で1万の被験者に対して約2分で類似性ランキングを計算します。 これらの発見は、身元特定だけではプライバシーを保護するには不十分であることを示している。 防御策として,信号にランダムノイズを加えることで,ストレス検出タスクのユーザビリティに適度に影響を与えつつも,再識別リスクを著しく低減し,プライバシとユーティリティのバランスをとる上で有望なアプローチを提供することを示す。

関連論文リスト

• Protect Your Score: Contact Tracing With Differential Privacy Guarantees [68.53998103087508]
  プライバシーに関する懸念は、現在展開を控えている、と私たちは主張する。 本稿では,この攻撃に対して異なるプライバシー保証を有する接触追跡アルゴリズムを提案する。 特に現実的な検査シナリオでは,ウイルス感染率の2倍から10倍の低下を実現している。
  論文  参考訳（メタデータ） (2023-12-18T11:16:33Z)
• Diff-Privacy: Diffusion-based Face Privacy Protection [58.1021066224765]
  本稿では,Diff-Privacyと呼ばれる拡散モデルに基づく顔のプライバシー保護手法を提案する。 具体的には、提案したマルチスケール画像インバージョンモジュール(MSI)をトレーニングし、元の画像のSDMフォーマット条件付き埋め込みのセットを得る。 本研究は,条件付き埋め込みに基づいて,組込みスケジューリング戦略を設計し,デノナイズプロセス中に異なるエネルギー関数を構築し,匿名化と視覚的アイデンティティ情報隠蔽を実現する。
  論文  参考訳（メタデータ） (2023-09-11T09:26:07Z)
• TeD-SPAD: Temporal Distinctiveness for Self-supervised Privacy-preservation for video Anomaly Detection [59.04634695294402]
  人間の監視のないビデオ異常検出(VAD)は複雑なコンピュータビジョンタスクである。 VADのプライバシー漏洩により、モデルは人々の個人情報に関連する不必要なバイアスを拾い上げ、増幅することができる。 本稿では,視覚的プライベート情報を自己管理的に破壊する,プライバシーに配慮したビデオ異常検出フレームワークTeD-SPADを提案する。
  論文  参考訳（メタデータ） (2023-08-21T22:42:55Z)
• Towards Blockchain-Assisted Privacy-Aware Data Sharing For Edge Intelligence: A Smart Healthcare Perspective [19.208368632576153]
  リンク攻撃はプライバシードメインにおける支配的な攻撃の一種である。 敵は 健康データを偽装するために 毒殺攻撃を仕掛ける 誤診や 身体的損傷までも 引き起こす 個人の健康データを保護するために,ユーザ間の信頼度に基づく個人差分プライバシモデルを提案する。
  論文  参考訳（メタデータ） (2023-06-29T02:06:04Z)
• How Do Input Attributes Impact the Privacy Loss in Differential Privacy? [55.492422758737575]
  DPニューラルネットワークにおけるオブジェクトごとの規範と個人のプライバシ損失との関係について検討する。 プライバシ・ロス・インプット・サセプティビリティ(PLIS)と呼ばれる新しい指標を導入し、被験者のプライバシ・ロスを入力属性に適応させることを可能にした。
  論文  参考訳（メタデータ） (2022-11-18T11:39:03Z)
• PhysioGait: Context-Aware Physiological Context Modeling for Person Re-identification Attack on Wearable Sensing [1.776746672434207]
  個人の再識別は、公開医療データにおいて重要なプライバシー侵害である。 本研究では,プライバシーに敏感な大規模ウェアラブルセンシングデータに対する新たなタイプのプライバシー脅威の可能性を検討する。 本研究では,空間情報と時間情報を個別に学習する文脈認識型生理信号モデルであるPhyloGaitを提案する。
  論文  参考訳（メタデータ） (2022-10-30T03:59:00Z)
• Decouple-and-Sample: Protecting sensitive information in task agnostic data release [17.398889291769986]
  sanitizerはセキュアでタスクに依存しないデータリリースのためのフレームワークである。 機密情報をプライベートに合成できれば、より優れたプライバシーとユーティリティのトレードオフが達成できることを示す。
  論文  参考訳（メタデータ） (2022-03-17T19:15:33Z)
• Syfer: Neural Obfuscation for Private Data Release [58.490998583666276]
  我々は、再識別攻撃から保護するための神経難読化法であるSyferを開発した。 Syferはトレーニングされたレイヤをランダムニューラルネットワークで構成し、元のデータをエンコードする。 エンコードされたデータから診断を予測する能力を維持している。
  論文  参考訳（メタデータ） (2022-01-28T20:32:04Z)
• AI-based Re-identification of Behavioral Clickstream Data [0.0]
  本論文は, 行動パターンに基づいて, 個人を純粋に同定する上で, 同様の手法が適用可能であることを実証する。 レコード間の振舞いパターンの単なる類似性は、識別された個人に振舞いデータを正しく属性付けるのに十分である。 また、私たちが導入したAIベースの再識別攻撃に対して回復力があることが示されています。
  論文  参考訳（メタデータ） (2022-01-21T16:49:00Z)
• Deep Directed Information-Based Learning for Privacy-Preserving Smart Meter Data Release [30.409342804445306]
  本稿では,時系列データとスマートメータ(SM)電力消費測定の文脈における問題点について検討する。 我々は、考慮された設定において、より意味のあるプライバシーの尺度として、指向情報(DI)を導入します。 最悪のシナリオにおけるSMs測定による実世界のデータセットに関する実証的研究は、プライバシとユーティリティの既存のトレードオフを示している。
  論文  参考訳（メタデータ） (2020-11-20T13:41:11Z)
• Hide-and-Seek Privacy Challenge [88.49671206936259]
  NeurIPS 2020 Hide-and-Seek Privacy Challengeは、両方の問題を解決するための新しい2トラックの競争だ。 我々の頭から頭までのフォーマットでは、新しい高品質な集中ケア時系列データセットを用いて、合成データ生成トラック(「ヒッシャー」)と患者再識別トラック(「シーカー」)の参加者が直接対決する。
  論文  参考訳（メタデータ） (2020-07-23T15:50:59Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。