CFD-HAR: 条件付き特徴分離によるユーザーが制御できるプライバシー

要旨：現代のウェアラブルおよびモバイルデバイスには慣性計測ユニット(IMU)が搭載されています。人間の活動認識(HAR)アプリケーションは、これらのセンサデータを活用した機械学習ベースのデータ駆動型手法を使用します。しかし、センサデータ駆動のHARの展開には二つの重大な課題があります：センサデータに埋め込まれた機密情報をユーザーのプライバシー設定に応じて保護することと、ラベル付きサンプルが限られている状況で高い認識性能を維持することです。本論文は、動的プライバシーフィルタリングのために粒度の高いレベルで特徴分離ベースの表現学習を用いて、ユーザーが制御できるプライバシーを実現する手法を提案します。また、オートエンコーダベースの表現学習を用いたfew-shot HARと比較して、我々の手法の有効性を比較します。我々は、それらのアーキテクチャ設計、学習目的、プライバシー保証、データ効率、エッジIoT展開への適性を分析します。我々の研究は、CFDベースのHARが潜在空間で活動とセンシティブ属性を分離することにより、明示的で調整可能なプライバシー保護制御を提供するのに対し、オートエンコーダベースのfew-shot HARはラベル効率性と軽量な適応性に優れる一方、固有のプライバシー保護が欠如していることを示しています。さらに、継続的なIoT設定における両手法のセキュリティ影響を調査し、表現漏洩および埋め込みレベルの攻撃に対する脆弱性の差を浮き彫りにします。分析は、どちらのパラダイムも新世代IoT HARシステムの新たな要件を完全には満たさないことを示唆しています。私たちは、プライバシー保護、few-shot適応性、およびロバスト性を同時に最適化する統合フレームワークへ向けた研究方針を提示します。