IoT向けプライバシー保護機械学習：異なるパラダイムを横断する調査と将来のロードマップ

要旨: モノのインターネットの急速な普及は、大規模で多様性があり、リソースが制約されたデバイスによって生成される機微データを保護するための、堅牢なプライバシー保護機械学習メカニズムへの需要を高めています。集中型環境とは異なり、IoTエコシステムは本質的に分散化されており、帯域幅が限られ、遅延に敏感であるため、感知、通信、および分散トレーニングのパイプライン全体でプライバシーリスクを露呈します。これらの特性は、従来の匿名化および集中型の保護戦略を実用的な展開には不十分にします。 本調査は、IoT中心の、パラダイムを横断するプライバシー保護機械学習の包括的な分析を提示します。差分プライバシーのような摂動ベースのメカニズム、フェデレーテッドラーニングのような分散パラダイム、同型暗号化（ホモモルフィック暗号）およびセキュア・マルチパーティ計算を含む暗号アプローチ、GANに基づく生成的合成技術など、構造化された分類学を紹介します。各パラダイムについて、正式なプライバシー保証、計算および通信の複雑さ、異種デバイスの参加下でのスケーラビリティ、メンバーシップ推論、モデル反転、勾配漏洩、敵対的操作を含む脅威に対する堅牢性を検討します。さらに、ワイヤレスIoT環境における展開制約を分析し、次世代のモバイルアーキテクチャにおけるプライバシー、通信オーバーヘッド、モデル収束、システム効率のトレードオフを強調します。評価手法を統合し、代表的なデータセットとオープンソースフレームワークを要約し、ハイブリッドプライバシー統合、エネルギー配慮型学習、プライバシー保護付き大規模言語モデル、量子耐性を備えた機械学習などの未解決課題を特定します。