增强数据隐私在人类因素研究与联合学习的研究
Bingyi Su1, Liwei Qing1, Lu Lu1
1North Carolina State University, USA.
Human factors
|June 6, 2025
概括
联合学习为人类因素研究中的机器学习提供了一种保护隐私的替代方案. 这种方法实现了与集中式方法相比的准确性,同时保护了敏感的人类数据.
科学领域:
- 人类因素和人体工程学
- 机器学习 机器学习
- 数据 隐私 数据 隐私 数据
背景情况:
- 机器学习正在改变人类因素研究,但在敏感数据方面面临隐私挑战.
- 集中式机器学习模型引发了大量的数据隐私问题.
- 联邦学习 (FL) 是为了解决这些隐私问题而提出的.
研究的目的:
- 开发和评估一个保护隐私的联合学习框架.
- 评估FL在人机协作期间对心理压力进行分类的有效性.
- 评估FL在人工物料处理过程中识别人类活动的有效性.
主要方法:
- 使用集中式和联合式学习方法构建分类器.
- 用户支持向量机器用于心理压力分类.
- 利用深度神经网络 (LSTM-CNN) 来识别人类活动.
主要成果:
- 联合学习模型的准确性与集中式方法相美.
- 联合和集中模式之间的性能差异很小 (低于2.7%).
- 联合学习有效地保护了敏感的人类数据.
结论:
- 联合学习是人类因素应用中传统机器学习的可行替代方案.
- FL提供了与增强数据隐私的可比准确性.
- 这项研究推进了对敏感人体数据的隐私保护方法.
