动态隐私测量框架

隐私与收益平衡

基于强化学习的动态隐私框架，帮助用户在个性化隐私阈值内最大化数据收益。

Bi, Renwan · 赵明烽 · Ying, Zuobin · 田有亮 · Xiong, Jinbo

Digital Communications and Networks 2024

参数信息

训练效率提升

63 %

数据收益提升

23 %

技术优势

隐私风险可控

动态隐私度量模型量化数据隐私量，并为不同用户设计个性化隐私阈值计算方法。

收益自动最大化

动态隐私数据选择算法帮助感知用户在隐私阈值内最大化数据收益。

应用场景

• 移动边缘人群感知：在传感数据上传前动态平衡隐私与收益，避免上传保守或过度泄露。
• 物联网数据隐私：量化物联网数据隐私量并提供个性化阈值，实现细粒度隐私保护。
• 隐私保护数据分析：在隐私约束下筛选数据以最大化分析收益，支撑隐私保护数据分析。