論文の概要: C-AAE: Compressively Anonymizing Autoencoders for Privacy-Preserving Activity Recognition in Healthcare Sensor Streams

• arxiv url: http://arxiv.org/abs/2507.18072v1
• Date: Thu, 24 Jul 2025 03:55:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-25 15:10:42.935171
• Title: C-AAE: Compressively Anonymizing Autoencoders for Privacy-Preserving Activity Recognition in Healthcare Sensor Streams
• Title（参考訳）: C-AAE:医療センサストリームにおけるプライバシー保護活動認識のためのオートエンコーダの圧縮匿名化
• Authors: Ryusei Fujimoto, Yugo Nakamura, Yutaka Arakawa,
• Abstract要約: ウェアラブル加速度計とジャイロスコープは、ユーザーを再識別するために利用されるきめ細かい行動シグネチャを符号化する。 本稿では, 匿名化オートエンコーダとアダプティブ微分パルス符号変調を組み合わせた圧縮匿名化オートエンコーダC-AAEを紹介する。
• 参考スコア（独自算出の注目度）: 1.5920575489029472
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Wearable accelerometers and gyroscopes encode fine-grained behavioural signatures that can be exploited to re-identify users, making privacy protection essential for healthcare applications. We introduce C-AAE, a compressive anonymizing autoencoder that marries an Anonymizing AutoEncoder (AAE) with Adaptive Differential Pulse-Code Modulation (ADPCM). The AAE first projects raw sensor windows into a latent space that retains activity-relevant features while suppressing identity cues. ADPCM then differentially encodes this latent stream, further masking residual identity information and shrinking the bitrate. Experiments on the MotionSense and PAMAP2 datasets show that C-AAE cuts user re-identification F1 scores by 10-15 percentage points relative to AAE alone, while keeping activity-recognition F1 within 5 percentage points of the unprotected baseline. ADPCM also reduces data volume by roughly 75 %, easing transmission and storage overheads. These results demonstrate that C-AAE offers a practical route to balancing privacy and utility in continuous, sensor-based activity recognition for healthcare.
• Abstract（参考訳）: ウェアラブル加速度計とジャイロスコープは、ユーザーを再識別するために利用されるきめ細かい行動シグネチャをエンコードし、医療アプリケーションにはプライバシー保護が不可欠である。 本稿では,AAE (Anonymizing AutoEncoder) とAdaptive Differential Pulse-Code Modulation (ADPCM) を結合した圧縮匿名型オートエンコーダC-AAEを紹介する。 AAEはまず、生のセンサーの窓を潜伏空間に投射し、活動関連の特徴を保持しながらアイデンティティーの手がかりを抑える。 ADPCMはこの潜在ストリームを差分エンコードし、残りのアイデンティティ情報を隠蔽し、ビットレートを縮小する。 MotionSenseとPAMAP2データセットの実験では、C-AAEはユーザ再識別F1のスコアをAAE単独と比較して10～15パーセント削減し、アクティビティ認識F1は保護されていないベースラインの5パーセントに維持している。 ADPCMはまた、データボリュームを約75%削減し、送信とストレージのオーバーヘッドを緩和する。 これらの結果から,C-AAEは医療用センサによる活動認識において,プライバシとユーティリティのバランスをとるための実践的な方法であることが示された。

関連論文リスト

• CAV-AD: A Robust Framework for Detection of Anomalous Data and Malicious Sensors in CAV Networks [0.824969449883056]
  CAVはセンサーの読み取りに頼っているため、重大な脅威に弱い。 これらの読み取りを操作することは、CAVネットワークのセキュリティを損なう可能性がある。 本稿では,CAV-ADと呼ばれる異常検出のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-07T18:19:03Z)
• Privacy Preserving Anomaly Detection on Homomorphic Encrypted Data from IoT Sensors [0.9831489366502302]
  均質な暗号化スキームは、暗号化されたままIoTデータ上での操作の処理と実行を可能にする、有望なソリューションである。 本稿では,IoTデバイスが生成する同型暗号化データを対象とした,新たなプライバシー保護型異常検出ソリューションを提案する。
  論文  参考訳（メタデータ） (2024-03-14T12:11:25Z)
• Autosen: improving automatic wifi human sensing through cross-modal autoencoder [56.44764266426344]
  WiFiによる人間のセンシングは、人間の活動を認識する上での低コストでプライバシー上の利点として高く評価されている。 ラベル付きデータなしで自己教師付き学習を可能にすることを目的とした従来のクロスモーダル手法は、振幅-位相の組み合わせから意味のある特徴を抽出するのに苦労する。 我々は、従来のアプローチから外れた革新的な自動WiFiセンシングソリューションであるAutoSenを紹介する。
  論文  参考訳（メタデータ） (2024-01-08T19:50:02Z)
• Slice it up: Unmasking User Identities in Smartwatch Health Data [1.4797368693230672]
  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。
  論文  参考訳（メタデータ） (2023-08-16T12:14:50Z)
• On the Adversarial Robustness of Generative Autoencoders in the Latent Space [22.99128324197949]
  本稿では,潜在空間における生成自己エンコーダの対角強靭性に関する最初の研究について述べる。 具体的には、潜伏空間における攻撃を通じて、一般的な生成オートエンコーダの潜伏する脆弱性を実証的に示す。 敵の強靭性と潜伏符号の絡み合いの程度との潜在的なトレードオフを同定する。
  論文  参考訳（メタデータ） (2023-07-05T10:53:49Z)
• CMAE-V: Contrastive Masked Autoencoders for Video Action Recognition [140.22700085735215]
  視覚行動認識のためのCMAEは、純粋なマスク付きオートエンコーダに基づいて、それよりも強力な特徴表現を生成することができる。 ハイブリッドアーキテクチャであるCMAE-Vは、Kinetics-400とSome-something V2データセットで82.2%と71.6%の精度を達成できる。
  論文  参考訳（メタデータ） (2023-01-15T05:07:41Z)
• Spotting adversarial samples for speaker verification by neural vocoders [102.1486475058963]
  我々は、自動話者検証(ASV)のための敵対サンプルを見つけるために、ニューラルボコーダを採用する。 元の音声と再合成音声のASVスコアの違いは、真正と逆正のサンプルの識別に良い指標であることがわかった。 私たちのコードは、将来的な比較作業のためにオープンソースにされます。
  論文  参考訳（メタデータ） (2021-07-01T08:58:16Z)
• WNARS: WFST based Non-autoregressive Streaming End-to-End Speech Recognition [59.975078145303605]
  本稿では,ハイブリッドCTC-attention AEDモデルと重み付き有限状態トランスデューサを用いた新しいフレームワークWNARSを提案する。 AISHELL-1タスクでは、640msの遅延で5.22%の文字エラー率を達成し、オンラインASRの最先端のパフォーマンスである私たちの知識を最大限に活用します。
  論文  参考訳（メタデータ） (2021-04-08T07:56:03Z)
• Anomaly Detection Based on Selection and Weighting in Latent Space [73.01328671569759]
  SWADと呼ばれる新しい選択および重み付けに基づく異常検出フレームワークを提案する。 ベンチマークと実世界のデータセットによる実験は、SWADの有効性と優位性を示している。
  論文  参考訳（メタデータ） (2021-03-08T10:56:38Z)
• Non-Autoregressive Transformer ASR with CTC-Enhanced Decoder Input [54.82369261350497]
  CTCモジュールの予測を精算することでターゲットシーケンスを生成するCTC拡張NARトランスを提案する。 実験結果から,Aishell-1およびAishell-2データセットでは,Aishell-1およびAishell-2データセットの絶対CER劣化が0。
  論文  参考訳（メタデータ） (2020-10-28T15:00:09Z)
• Double Backpropagation for Training Autoencoders against Adversarial Attack [15.264115499966413]
  本稿では,オートエンコーダに対する敵攻撃に着目した。 本稿では,VAE や DRAW などのオートエンコーダを確保するために,二重バックプロパゲーション (DBP) を採用することを提案する。
  論文  参考訳（メタデータ） (2020-03-04T05:12:27Z)

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。