在不同隐私添加联合学习环境中使用多任务学习平衡隐私和影响识别实用性的平衡:定量研究
Mohamed Benouis1, Elisabeth Andre1, Yekta Said Can1
1Faculty of Applied Computer Science, Augsburg University, Augsburg, Germany.
JMIR mental health
|December 23, 2024
概括
这项研究使用多任务学习 (MTL) 和隐私保护技术来增强情绪识别. 它在保护用户数据的同时达到90%的准确性,标志着伦理情感计算向前迈出了一步.
科学领域:
- 情感计算和人与计算机的互动.
- 机器学习和人工智能应用.
- 穿戴式传感器技术和生理数据分析.
背景情况:
- 穿戴式传感器在情感计算中越来越重要,以了解人类的压力.
- 通过不引人注目的设备识别感知到的压力是这个领域的一个关键挑战.
- 情感计算旨在开发能够识别,解释和模拟人类情感的系统.
研究的目的:
- 通过使用多任务学习 (MTL) 提高情绪识别性能.
- 为解决与可穿戴传感器敏感生理数据相关的隐私威胁.
- 开发一个隐私意识的框架来识别压力.
主要方法:
- 多任务学习 (MTL) 与差异隐私和联合学习的整合.
- 开发一种新的框架,用于识别精神压力,同时保持身份.
- 在相关任务中利用共享信息来提高识别准确性.
主要成果:
- 在情感识别方面取得了90%的准确性.
- 证明有效地减轻隐私风险,重新识别准确度仅为47%.
- 验证了框架在两个重要的公共数据集上的表现.
结论:
- 拟议的框架为高级情绪识别提供了一个有希望的方法.
- 将MTL与隐私技术集成,可确保高精度和用户数据保护.
- 这项研究有助于隐私意识和情感计算的伦理进步.


