.png){kind=icon}
返回
Privacy-Preserving Task-Oriented Semantic Communications Against Model Inversion Attacks
.png){kind=icon}
OA
AI
DOI：10.1109/TWC.2024.3369170.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
语义通信已被确定为第六代 (6g) 无线网络的核心技术。最近，已经提出了面向任务的语义通信，用于具有有限带宽的低延迟推理。尽管仅传输与任务相关的信息确实可以保护一定程度的用户隐私，但攻击者可以应用模型反演技术来重建原始数据或提取有用的信息，从而侵犯用户的隐私。为了减轻隐私侵权，本文提出了一种信息瓶颈和对抗学习 (IBAL) 方法来保护用户的隐私免受模型反转攻击。具体来说，我们基于信息瓶颈 (IB) 理论从输入中提取与任务相关的特征。为了克服在高维空间中计算互信息的困难，我们推导了一个变分上界来估计真实的互信息。为了防止对手从与任务相关的特征进行数据重建，我们利用对抗性学习来训练编码器，通过最大化重建失真来欺骗对手。此外，考虑到信道变化对隐私效用权衡的影响以及手动调整每次损失的权重的困难，我们提出了一种自适应权重调整方法。数值结果表明，所提出的方法可以有效地保护隐私，而不会显着影响任务性能，并且比基准方法实现更好的隐私效用权衡。
Keyword:
Task analysis
Semantics
Feature extraction
Privacy
Transmitters
Communication systems
Image reconstruction
Semantic communications
privacy-preservation
information bottleneck
adversarial learning
期刊
IF:
10.7
论文数:
1.3W
被引数:
5.3W
机构
引用论文
RNA Helicase MUT-14-Dependent Gene Silencing Triggered in
C. elegans
by Short Antisense RNAs.png)
Science
ScienceIF0
PREAI
分享收藏Modeling and Simulation of Main Control Valve Mechanism of LNG Ship Steam TurbineLNG船舶汽轮机主控阀机构建模与仿真OAAI
OAAI分享收藏
查看更多内容