Over-the-Air Collaborative Inference with Feature Differential Privacy

下一代网络中的协作推断可以增强人工智能应用，包括自动驾驶、个人识别和活动分类。这种方法涉及三个阶段的过程：a) 通过感知进行数据采集，b) 特征提取，c) 特征编码进行传输。传输提取的特征涉及到泄露敏感个人数据的潜在风险。为了解决这个问题，本文开发了一种新的保护隐私的协作推断机制。在这种机制下，网络中的每个边缘设备在将特征传输到中央服务器进行推断之前保护提取的特征的隐私。该机制旨在实现两个主要目标，同时确保有效的推断性能：1）减少通信开销，2）在特征传输期间保持严格的隐私保证。

在协同推理的过程中，传输提取的特征可能会暴露敏感个人数据，本文旨在解决这一隐私问题。

本文提出了一种新的隐私保护协同推理机制，通过每个边缘设备在将特征传输到中央服务器进行推理之前对其进行隐私保护，以实现减少通信开销和保护隐私的目的。

该机制的实验设计使用了MNIST和CIFAR-10数据集，证明了其在保护隐私的同时能够实现有效的推理性能。本文的方法有望为自动驾驶、个人识别和活动分类等AI应用提供更好的隐私保护。

在相关研究方面，最近的一些研究包括《Privacy-Preserving Collaborative Learning with Additive Secret Sharing》和《Secure Federated Transfer Learning》等。