[论文解读] Multilayer Nonlinear Processing for Information Privacy in Sensor Networks

Xin He, Meng Sun+2 more|arXiv (Cornell University)|Nov 13, 2017

Distributed Sensor Networks and Detection Algorithms参考文献 36被引用 5

一句话总结

本文提出了一种在传感器网络中采用多层非线性处理框架的方法，通过聚类非线性融合与线性加权对每个传感器的数据进行失真处理，以保护私有假设的同时保持公共假设检测的准确性。一种改进的镜像下降算法用于优化加权矩阵，以在经验数据集上实现隐私与检测性能之间的良好权衡。

ABSTRACT

A sensor network wishes to transmit information to a fusion center to allow it to detect a public hypothesis, but at the same time prevent it from inferring a private hypothesis. We propose a multilayer nonlinear processing procedure at each sensor to distort the sensor's data before it is sent to the fusion center. In our proposed framework, sensors are grouped into clusters, and each sensor first applies a nonlinear fusion function on the information it receives from sensors in the same cluster and in a previous layer. A linear weighting matrix is then used to distort the information it sends to sensors in the next layer. We adopt a nonparametric approach and develop a modified mirror descent algorithm to optimize the weighting matrices so as to ensure that the regularized empirical risk of detecting the private hypothesis is above a given privacy threshold, while minimizing the regularized empirical risk of detecting the public hypothesis. Experiments on empirical datasets demonstrate that our approach is able to achieve a good trade-off between the error rates of the public and private hypothesis.

研究动机与目标

• 为解决在传感器网络中保护私有信息的同时实现公共假设准确检测的挑战。
• 设计一种分布式处理框架，其中簇内传感器在传输数据前应用非线性融合。
• 确保融合中心无法在定义的隐私阈值之外推断出私有假设。
• 在隐私约束下最小化检测公共假设的误差率。
• 开发一种基于正则化经验风险的优化方法，以平衡隐私与检测性能。

提出的方法

• 传感器被划分为簇，每个传感器对其本地数据以及来自同一簇内相邻传感器和前序层的传感器数据应用非线性融合函数。
• 在向下一层数传前，应用线性加权矩阵对融合后的数据进行失真处理。
• 该框架采用非参数方法对数据分布进行建模，而无需假设参数形式。
• 使用改进的镜像下降算法迭代优化线性加权矩阵。
• 优化过程最小化公共假设检测的正则化经验风险，同时确保私有假设检测的正则化经验风险超过给定阈值。
• 该算法通过联合最小化公共检测误差并强制设定私有检测误差的下限，实现隐私与检测准确性的平衡。

实验结果

研究问题

• RQ1 传感器网络如何在保持公共假设检测准确性的同时，防止融合中心推断出私有假设？
• RQ2 通过多层非线性处理，最优的数据失真方式是什么，以实现隐私与准确性的权衡？
• RQ3 非参数优化方法是否能有效平衡传感器网络中的隐私与检测性能？
• RQ4 聚类与分层处理如何影响隐私与检测准确性之间的权衡？
• RQ5 改进的镜像下降算法在实现期望的隐私与检测目标中起到什么作用？

主要发现

• 所提出的框架在经验数据集上成功实现了公共假设与私有假设检测误差率之间的有利权衡。
• 采用多层非线性处理与聚类传感器融合的方法，提升了隐私保护能力，同时未显著降低公共假设检测的准确性。
• 改进的镜像下降算法有效优化了线性加权矩阵，以满足隐私约束并最小化公共检测误差。
• 非参数方法使该方法能够适应复杂且未知的数据分布，而无需强参数假设。
• 实证结果表明，该框架在保持公共假设检测低误差率的同时，确保私有假设检测误差高于指定的隐私阈值。
• 分层架构支持可扩展且分布式的处理，使该方法适用于大规模传感器网络。