Class-Aware Adaptive Differential Privacy in Deep Learning for Sensor-Based Fall Detection

Riepilogo Tecnico: Privacy Differenziale Adattiva Consapevole della Classe nell'Apprendimento Profondo per il Rilevamento delle Cadute Basato su Sensori

Enunciato del Problema
Il rilevamento delle cadute è un'applicazione sanitaria critica per gli anziani, dove un intervento tempestivo può prevenire lesioni gravi. Sebbene i sistemi basati su sensori che utilizzano accelerometri e giroscopi offrano vantaggi rispetto ai metodi basati sulla visione, i dati che raccolgono sono altamente sensibili, contenenti informazioni comportamentali e relative alla salute. I modelli di apprendimento profondo addestrati su questi dati sono vulnerabili ad attacchi alla privacy, come l'inferenza di appartenenza e l'inversione del modello.

Gli approcci esistenti per la preservazione della privacy, principalmente la Discesa del Gradiente Stocastica Differenzialmente Privata (DP-SGD), affrontano questo problema iniettando rumore uniforme su tutti i campioni di addestramento. Tuttavia, i dataset per il rilevamento delle cadute sono intrinsecamente sbilanciati, con eventi di caduta (classe minoritaria) significativamente meno numerosi rispetto alle Attività della Vita Quotidiana (ADL). Gli autori sostengono che l'applicazione di rumore uniforme degrada in modo sproporzionato l'apprendimento delle classi minoritarie, portando a un calo significativo delle prestazioni di previsione e della recall per gli eventi di caduta. Manca un quadro che affronti congiuntamente l'apprendimento di caratteristiche spaziotemporali e la preservazione della privacy, tenendo conto dello sbilanciamento delle classi.

Metodologia
Il documento propone un quadro di Privacy Differenziale Adattiva Consapevole della Classe (CA-ADP) integrato con un'architettura ibrida Rete Neurale Convoluzionale 3D e Memoria a Breve Termine Bidirezionale a Lungo Termine (3D CNN-BiLSTM).

1. Architettura del Modello:

   • 3D CNN: Estrae caratteristiche spaziotemporali dai segnali grezzi dei sensori (dati di accelerometro e giroscopio) segmentati in finestre di lunghezza fissa.
   • BiLSTM: Elaborare le caratteristiche estratte in entrambe le direzioni, avanti e indietro, per catturare dipendenze temporali a lungo termine e informazioni contestuali circostanti i potenziali eventi di caduta.
   • Output: Uno strato completamente connesso con attivazione sigmoide per la classificazione binaria (Caduta vs Non Caduta).

2. Privacy Differenziale Adattiva Consapevole della Classe (CA-ADP):

   • A differenza della DP-SGD standard che applica un moltiplicatore di rumore fisso, la CA-ADP regola dinamicamente l'entità del rumore in base alla composizione della classe di ogni mini-batch.
   • Meccanismo: La deviazione standard del rumore ($\sigma_b$) per un mini-batch è calcolata come $\sigma_b = \sigma_{base}(1 - \alpha \bar{y}_b)$, dove $\bar{y}_b$ è la media delle etichette del batch (proporzione di eventi di caduta) e $\alpha$ è un fattore adattivo.
   • Effetto: I batch dominati da eventi di caduta (classe minoritaria) ricevono un'iniezione di rumore inferiore per preservare il segnale del gradiente, mentre i batch dominati dalle ADL (classe maggioritaria) ricevono un rumore maggiore.
   • Garanzia di Privacy: Il sistema mantiene una formale garanzia di Privacy Differenziale $(\epsilon, \delta)$. Il budget di privacy è calcolato utilizzando il contabile della Privacy Differenziale di Rényi (RDP), basato sul valore massimo di rumore ($\sigma_{base}$) applicato su tutti i batch per garantire un limite superiore conservativo.

3. Configurazione Sperimentale:

   • Dataset: Il quadro è stato valutato su tre dataset di riferimento pubblici: SisFall, UP-Fall e MobiAct.
   • Preprocessing: Una pipeline standardizzata che include filtraggio del rumore (filtro passa-basso di Butterworth per SisFall), normalizzazione (StandardScaler) e segmentazione a finestra scorrevole con sovrapposizione del 50%.
   • Baseline: I confronti sono stati effettuati contro una 3D CNN autonoma, una BiLSTM autonoma e una 3D CNN-BiLSTM ibrida che utilizza la DP-SGD uniforme convenzionale (CONV-DP).

Risultati Chiave
Il quadro CA-ADP proposto ha dimostrato prestazioni superiori rispetto ai modelli convenzionali di preservazione della privacy su tutti e tre i dataset:

• Miglioramenti delle Prestazioni: In termini di F-score, la CA-ADP ha ottenuto miglioramenti del 3,3% (SisFall), 8,5% (UP-Fall) e 7,5% (MobiAct) rispetto alla baseline DP-SGD convenzionale.
• Miglioramento della Recall: I guadagni più significativi sono stati osservati nella Recall, con la CA-ADP che ha migliorato di circa 0,088 in media rispetto alla CONV-DP. Questo è critico per il rilevamento delle cadute, dove perdere una caduta (Falso Negativo) è più dannoso di un falso allarme.
• Significatività Statistica: I test di rango con segno di Wilcoxon hanno confermato che i miglioramenti delle prestazioni della CA-ADP rispetto alla CONV-DP sono statisticamente significativi ($p < 0,0167$ dopo la correzione di Bonferroni) su tutte le metriche e i dataset.
• Compromesso Privacy-Utilità: L'analisi ha mostrato che la CA-ADP raggiunge un migliore equilibrio tra privacy e utilità. Sui dataset SisFall e UP-Fall, la CA-ADP ha raggiunto budget di privacy più bassi ($\epsilon$) rispetto alla CONV-DP (indicando una protezione della privacy più forte per la stessa utilità), mentre su MobiAct il budget di privacy è stato comparabile.
• Confronto con Lavori Precedenti: Il modello proposto ha raggiunto accuratezza e F-score competitivi o superiori rispetto a studi precedenti su questi dataset, con il vantaggio aggiuntivo di fornire garanzie formali di privacy, che i lavori precedenti in gran parte mancavano.

Significato e Affermazioni
Gli autori affermano che questo studio è il primo ad applicare un meccanismo di Privacy Differenziale Adattiva Consapevole della Classe specificamente al problema del rilevamento delle cadute.

• Affrontare lo Sbilanciamento: Il contributo principale è dimostrare che una programmazione adattiva del rumore basata sulla composizione della classe del mini-batch può mitigare il degrado delle prestazioni tipicamente associato alla privacy differenziale nei dataset sanitari sbilanciati.
• Garanzie Formali: A differenza di molti studi esistenti sul rilevamento delle cadute che si concentrano esclusivamente sull'accuratezza, questo lavoro fornisce rigorose garanzie di DP $(\epsilon, \delta)$, affrontando la necessità etica e legale di proteggere i dati sensibili degli utenti nell'IA sanitaria.
• Utilità Pratica: I risultati suggeriscono che la CA-ADP non solo preserva la privacy, ma può agire come un regolarizzatore implicito, potenzialmente migliorando la generalizzazione e la recall per eventi rari (cadute) meglio delle baseline non private in determinati scenari.

Limitazioni e Direzioni Future
Gli autori riconoscono modestamente che i budget di privacy raggiunti ($\epsilon > 10$) non sono rigorosi come quelli sostenuti in alcune letteratura sulla privacy differenziale, una conseguenza delle piccole dimensioni dei batch e dei moltiplicatori di rumore utilizzati. Notano inoltre che i dataset sono stati raccolti in condizioni di laboratorio controllate. Il lavoro futuro mira a ridurre il budget di privacy alla gamma $\epsilon = 3-5$, esplorare la privacy differenziale a concentrazione zero, estendere il quadro al riconoscimento di tipi di caduta multi-classe e integrare il meccanismo in un contesto di apprendimento federato.