CA-ADP: Privacy Differenziale Adattiva per la Rilevazione di Cadute Basata su Sensori
I ricercatori propongono un framework di Privacy Differenziale Adattiva Consapevole delle Classi (CA-ADP) per la rilevazione di cadute basata su sensori utilizzando deep learning. Il metodo si integra con un'architettura ibrida 3D CNN-BiLSTM per regolare dinamicamente il rumore in base alla composizione delle classi in ogni mini-batch, migliorando il compromesso privacy-utilità rispetto agli approcci a rumore uniforme. Il lavoro affronta le preoccupazioni sulla privacy nei dati sanitari dei sensori e fornisce una garanzia formale di privacy differenziale (ε,δ). L'articolo è disponibile su arXiv (2605.01679).
Fatti principali
- La rilevazione di cadute è fondamentale per l'assistenza sanitaria agli anziani.
- I dati di attività basati su sensori sollevano preoccupazioni sulla privacy.
- Gli approcci esistenti alla privacy aggiungono rumore uniforme, degradando le prestazioni.
- CA-ADP regola l'intensità del rumore in base alla composizione delle classi.
- Il framework utilizza un'architettura ibrida 3D CNN-BiLSTM.
- Fornisce una garanzia di Privacy Differenziale (ε,δ).
- Articolo pubblicato su arXiv con ID 2605.01679.
- Mira a bilanciare privacy e utilità.
Entità
Istituzioni
- arXiv