Numer: 06/2024 Str. 36
Autorzy: Bouchiba GUELTA , Samir Benbakreti , Kadda BOUMEDIENE :
Tytuł: Różnorodnie prywatne stowarzyszone uczenie się w celu ochrony tożsamości w rozpoznawaniu stresu
Streszczenie: W ciągu ostatniej dekady zastosowanie automatycznego rozpoznawania emocji stało się coraz bardziej powszechne w odpowiedzi na rosnącą potrzebę poprawy jakości życia człowieka. Wykorzystywane dane dotyczące emocji obejmują bogactwo danych osobowych, które obejmują między innymi płeć, wiek, stan zdrowia, tożsamość itd. Te informacje demograficzne, zwane miękkimi lub twardymi danymi biometrycznymi, są prywatne i użytkownik nie może udostępniać ich innym osobom. Niestety, w przypadku algorytmów kontradyktoryjnych informacje te mogą zostać wywnioskowane automatycznie, co stwarza ryzyko naruszenia bezpieczeństwa danych użytkownika. Aby rozwiązać powyższe problemy, przedstawiamy stowarzyszone podejście oparte na uczeniu się, mające na celu ukrycie informacji związanych z tożsamością w zadaniu podmiotu tożsamości, przy jednoczesnym zachowaniu ich skuteczności w zadaniu użyteczności emocjonalnej. Wprowadzamy także mechanizm różnicowej prywatności, metodę, która wyraźnie ogranicza wyciek danych z federacyjnego modelu uczenia się. Eksperymenty przeprowadzone na zbiorze danych WESAD pokazują, że zadania rozpoznawania stresu można skutecznie wykonywać, zmniejszając jednocześnie tożsamość użytkownika i zapewniając zróżnicowane gwarancje prywatności; intensywność hałasu pochodzącego z różnicowej prywatności można dostroić, aby zrównoważyć kompromis między prywatnością a użytecznością. (Różnorodnie prywatne stowarzyszone uczenie się w celu ochrony tożsamości w rozpoznawaniu stresu)
Słowa kluczowe: Rozpoznawanie stresu, Uczenie stowarzyszone, Prywatność różnicowa, Uczenie głębokie