恭喜自己喜提ubicomp一篇~ 好久没登录CSDN,竟然又涨了几个粉丝还有文章被收录 ~
开心~ 新的一年好好坚持做笔记吧~ 之前没整理完的也努力补全吧~ 哈哈哈哈,努力努力~
1. PMC: A Privacy-preserving Deep Learning Model Customization Framework for Edge Computing (北大和微软研究院)
难得在ubicomp上看到直接跟边缘计算相关的文章,虽然也不太懂这和人机交互有什么具体联系,但思路挺巧妙的。
Background and Motivation
a) 用户终端设备的数据敏感,不能轻易暴露给云端,但是其自身资源受限、数据稀缺,难以高效训练;
b) 云端具有丰富的公开数据集,但是用户需要的是定制的个性化模型,而不是一个大而全的模型(例如上篇infocomm的摄像头等场景)
Solution
作者发现利用激活层的输出可以大致推理出用户原始数据的分布情况。因此,为解决这一冲突,作者将激活层的输出结果用高斯分布函数进行拟合,将拟合的高斯分布函数的参数发送给云端。云端接受后,将从自己丰富的公开数据集中选取部分数据集,使其符合客户端发来的高斯分布,从而生成了新的仿客户端的数据集。利用该仿真的数据集而非真实的客户端数据集,训练模型,将其裁剪后发送返回给资源受限的终端设备。为加强隐私保护,防止用户特征过于暴露,上传的高斯函数特征会用差分隐私进行保护。
2. Where You Go Matters: A Study on the Privacy Implications of Continuous Location Tracking (伦敦大学)
虽然一些个人信息,如社会活动,不被认为是私人的,但其他信息,如健康、宗教信仰、种族、政治观点和社会经济地位是共同的 被研究的参与者私下认为。