論文の概要: CFD-HAR: User-controllable Privacy through Conditional Feature Disentanglement
- arxiv url: http://arxiv.org/abs/2603.11526v1
- Date: Thu, 12 Mar 2026 04:29:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-13 14:46:25.863232
- Title: CFD-HAR: User-controllable Privacy through Conditional Feature Disentanglement
- Title（参考訳）: CFD-HAR: 条件付き特徴分散によるユーザ制御可能なプライバシ
- Authors: Alex Gn, Fan Li, S Kuniyilh, Ada Axan,
- Abstract要約: 本稿では,機能障害に基づく表現学習を通じてユーザ制御可能なプライバシを実現する手法を提案する。
オートエンコーダに基づく表現学習を用いて,少数ショットHARに対する手法の有効性を比較した。
本研究は,CFDをベースとしたHARが,潜伏空間における活動と敏感な属性を分離することにより,明示的で変更可能なプライバシ保護制御を提供することを示す。
Autoencoderベースの少ショットHARは、ラベル効率と軽量な適応性を提供するが、固有のプライバシ保護がない。
- 参考スコア（独自算出の注目度）: 4.04401169071427
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modern wearable and mobile devices are equipped with inertial measurement units (IMUs). Human Activity Recognition (HAR) applications running on such devices use machine-learning-based, data-driven techniques that leverage such sensor data. However, sensor-data-driven HAR deployments face two critical challenges: protecting sensitive user information embedded in sensor data in accordance with users' privacy preferences and maintaining high recognition performance with limited labeled samples. This paper proposes a technique for user-controllable privacy through feature disentanglement-based representation learning at the granular level for dynamic privacy filtering. We also compare the efficacy of our technique against few-shot HAR using autoencoder-based representation learning. We analyze their architectural designs, learning objectives, privacy guarantees, data efficiency, and suitability for edge Internet of Things (IoT) deployment. Our study shows that CFD-based HAR provides explicit, tunable privacy protection controls by separating activity and sensitive attributes in the latent space, whereas autoencoder-based few-shot HAR offers superior label efficiency and lightweight adaptability but lacks inherent privacy safeguards. We further examine the security implications of both approaches in continual IoT settings, highlighting differences in susceptibility to representation leakage and embedding-level attacks. The analysis reveals that neither paradigm alone fully satisfies the emerging requirements of next-generation IoT HAR systems. We conclude by outlining research directions toward unified frameworks that jointly optimize privacy preservation, few-shot adaptability, and robustness for trustworthy IoT intelligence.
- Abstract（参考訳）: 現代のウェアラブルとモバイルデバイスは慣性測定ユニット(IMU)を備えている。
このようなデバイス上で動作するヒューマンアクティビティ認識(HAR)アプリケーションは、そのようなセンサデータを活用する機械学習ベースのデータ駆動技術を使用している。
しかし、センサデータ駆動のHARデプロイメントは、ユーザのプライバシの好みに応じてセンサーデータに埋め込まれた機密性の高いユーザ情報を保護し、ラベル付きサンプルで高い認識性能を維持するという、2つの重要な課題に直面している。
本稿では,動的プライバシフィルタリングの粒度レベルにおける特徴分散に基づく表現学習を通じて,ユーザ制御可能なプライバシを実現する手法を提案する。
また,オートエンコーダに基づく表現学習を用いて,少数ショットHARに対する手法の有効性を比較した。
アーキテクチャ設計、学習目標、プライバシ保証、データ効率、エッジIoT(Internet of Things)デプロイメントへの適合性などを分析します。
本研究は,CFDをベースとしたHARが潜在空間における活動と機密属性を分離することで,明示的かつ調整可能なプライバシ保護制御を実現することを示し,オートエンコーダをベースとした少数ショットHARはラベル効率と軽量適応性を提供するが,固有のプライバシ保護は欠如している。
さらに、連続的なIoT設定における両アプローチのセキュリティへの影響について検討し、リークの表現や埋め込みレベルの攻撃に対する感受性の違いを強調した。
この分析によると、どちらのパラダイムも、次世代IoT HARシステムの新たな要件を完全に満たしていない。
我々は、プライバシーの保護、少数ショットの適応性、信頼性の高いIoTインテリジェンスに対する堅牢性を共同で最適化する統合フレームワークに向けた研究の方向性を概説して結論付けた。
関連論文リスト
- PrivFly: A Privacy-Preserving Self-Supervised Framework for Rare Attack Detection in IoFT [2.217288163160845]
Internet of Flying Things (IoFT)は、航空監視やスマートモビリティといった現代の応用において重要な役割を担っている。
Internet of Flying Things (IoFT)は、航空監視やスマートモビリティといった現代の応用において重要な役割を担っている。
論文 参考訳（メタデータ） (2026-01-19T12:30:20Z) - Adversary-Aware Private Inference over Wireless Channels [51.93574339176914]
ワイヤレスエッジデバイスにおけるAIベースのセンシングは、人工知能(AI)アプリケーションを大幅に強化する可能性がある。
機密性の高い個人情報は敵によって再構築できるため、プライバシー侵害のリスクを軽減するために特徴の変換が必要である。
本稿では,デバイスがモデルサーバに送信する前に抽出した特徴の変換を適用する,プライバシ保護型AIベースセンシング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） (2025-10-23T13:02:14Z) - DELTA: Variational Disentangled Learning for Privacy-Preserving Data Reprogramming [20.87548031005583]
DELTAは二相変分不整合型生成学習フレームワークである。
フェーズ1では、プライバシの推論性を考慮せずに、ポリシ誘導型強化学習を使用して、下流タスクユーティリティによる特徴変換を検出する。
フェーズIIでは、LSTM seq2seqエンコーダ(英語版)エンコーダ(英語版)を用いて、ユーティリティプライバシの非有線空間設計と、プライバシ信号を抑制するために対角方向の非有線空間正規化を行う。
論文 参考訳（メタデータ） (2025-08-31T04:18:42Z) - Dynamic User-controllable Privacy-preserving Few-shot Sensing Framework [0.589889361990138]
PrivCLIPは、ユーザコントロール可能な、数ショットのプライバシ保護センシングフレームワークである。
PrivCLIPを使えば、ユーザーはアクティビティを機密性(ブラックリスト)、非機密性(ホワイトリスト)、中立性(グレイリスト)と分類することで、プライバシの好みを指定および変更することができる。
論文 参考訳（メタデータ） (2025-08-06T00:44:11Z) - PWC-MoE: Privacy-Aware Wireless Collaborative Mixture of Experts [59.5243730853157]
クラウドサーバにホストされる大規模言語モデル(LLM)は、ローカルデバイス上の計算とストレージの負担を軽減するが、プライバシの懸念を高める。
小規模言語モデル(SLM)は、ローカルで実行されるためプライバシーが向上するが、複雑なタスクではパフォーマンスが制限される。
帯域幅制約下での計算コスト,性能,プライバシ保護のバランスをとるために,プライバシを意識したPWC-MoE(PWC-MoE)フレームワークを提案する。
論文 参考訳（メタデータ） (2025-05-13T16:27:07Z) - DISCOVER: Data-driven Identification of Sub-activities via Clustering and Visualization for Enhanced Activity Recognition in Smart Homes [46.86909768552777]
本研究では,未ラベルセンサデータから詳細な人間のサブアクティビティを検出する手法であるdiscoVERについて,事前のセグメンテーションに頼ることなく紹介する。
広範に使用されているHARデータセットに対する再注釈演習を通じて,その効果を実証する。
論文 参考訳（メタデータ） (2025-02-11T20:02:24Z) - Communication-Efficient and Privacy-Adaptable Mechanism for Federated Learning [54.20871516148981]
通信効率・プライバシー適応メカニズム(CEPAM)について紹介する。
CEPAMは通信効率とプライバシー保護を同時に達成する。
我々は、CEPAMのプライバシー保証を理論的に分析し、CEPAMのユーザプライバシと正確性の間のトレードオフを調査する。
論文 参考訳（メタデータ） (2025-01-21T11:16:05Z) - Collaborative Inference over Wireless Channels with Feature Differential Privacy [57.68286389879283]
複数の無線エッジデバイス間の協調推論は、人工知能(AI)アプリケーションを大幅に強化する可能性がある。
抽出された特徴を抽出することは、プロセス中に機密性の高い個人情報が暴露されるため、重大なプライバシーリスクをもたらす。
本稿では,ネットワーク内の各エッジデバイスが抽出された機能のプライバシを保護し,それらを中央サーバに送信して推論を行う,新たなプライバシ保存協調推論機構を提案する。
論文 参考訳（メタデータ） (2024-10-25T18:11:02Z) - Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。
FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。
実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
論文 参考訳（メタデータ） (2024-01-22T14:16:37Z) - Federated Intrusion Detection for IoT with Heterogeneous Cohort Privacy [0.0]
IoT(Internet of Things)デバイスはますます普及し、医療や輸送といった多くのアプリケーションドメインに影響を与える。
本研究では,このようなIoTデバイスのネットワーク上での侵入攻撃を検出するために,差分プライベート(DP)ニューラルネットワーク(NN)ベースのネットワーク侵入検出システム(NIDS)を検討する。
このドメインの既存のNNトレーニングソリューションは、プライバシの考慮を無視したり、すべてのユーザのプライバシー要件が均一であると仮定する。
クライアントのプライバシ要件が不均一である場合,非IDデータ分布を持つクライアントに対して,既存の差分プライベートメソッドの性能が低下することを示す。
論文 参考訳（メタデータ） (2021-01-25T03:33:27Z)
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。