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

Resumo Técnico: Privacidade Diferencial Adaptativa Consciente de Classe em Aprendizado Profundo para Detecção de Quedas Baseada em Sensores

Declaração do Problema
A detecção de quedas é uma aplicação crítica de saúde para idosos, onde a intervenção oportuna pode prevenir lesões graves. Embora sistemas baseados em sensores que utilizam acelerômetros e giroscópios ofereçam vantagens sobre métodos baseados em visão, os dados que coletam são altamente sensíveis, contendo informações comportamentais e relacionadas à saúde. Modelos de aprendizado profundo treinados com esses dados são vulneráveis a ataques de privacidade, como inferência de associação e inversão de modelo.

As abordagens existentes de preservação de privacidade, principalmente o Descenso de Gradiente Estocástico com Privacidade Diferencial (DP-SGD), abordam isso injetando ruído uniforme em todas as amostras de treinamento. No entanto, os conjuntos de dados de detecção de quedas são inerentemente desbalanceados, com eventos de queda (classe minoritária) sendo significativamente menos frequentes do que Atividades da Vida Diária (AVDs). Os autores argumentam que a aplicação de ruído uniforme degrada desproporcionalmente a aprendizagem das classes minoritárias, levando a uma queda significativa no desempenho de previsão e no recall para eventos de queda. Há uma falta de frameworks que abordem conjuntamente a aprendizagem de características espaço-temporais e a preservação de privacidade, enquanto levam em conta o desbalanceamento de classes.

Metodologia
O artigo propõe um framework de Privacidade Diferencial Adaptativa Consciente de Classe (CA-ADP) integrado a uma arquitetura híbrida de Rede Neural Convolucional 3D e Memória de Curto e Longo Prazo Bidirecional (3D CNN-BiLSTM).

1. Arquitetura do Modelo:

   • 3D CNN: Extrai características espaço-temporais de sinais brutos de sensores (dados de acelerômetro e giroscópio) segmentados em janelas de comprimento fixo.
   • BiLSTM: Processa as características extraídas nas direções forward e backward para capturar dependências temporais de longo prazo e informações contextuais que cercam potenciais eventos de queda.
   • Saída: Uma camada totalmente conectada com ativação sigmoide para classificação binária (Queda vs. Não-Queda).

2. Privacidade Diferencial Adaptativa Consciente de Classe (CA-ADP):

   • Diferentemente do DP-SGD padrão, que aplica um multiplicador de ruído fixo, o CA-ADP ajusta dinamicamente a magnitude do ruído com base na composição de classes de cada mini-lote.
   • Mecanismo: O desvio padrão do ruído ($\sigma_b$) para um mini-lote é calculado como $\sigma_b = \sigma_{base}(1 - \alpha \bar{y}_b)$, onde $\bar{y}_b$ é a média dos rótulos do lote (proporção de eventos de queda) e $\alpha$ é um fator adaptativo.
   • Efeito: Lotes dominados por eventos de queda (classe minoritária) recebem menor injeção de ruído para preservar o sinal do gradiente, enquanto lotes dominados por AVDs (classe majoritária) recebem ruído mais alto.
   • Garantia de Privacidade: O sistema mantém uma garantia formal de Privacidade Diferencial $(\epsilon, \delta)$. O orçamento de privacidade é calculado usando o contador de Privacidade Diferencial de Rényi (RDP), baseado no valor máximo de ruído ($\sigma_{base}$) aplicado em todos os lotes para garantir um limite superior conservador.

3. Configuração Experimental:

   • Conjuntos de Dados: O framework foi avaliado em três conjuntos de dados de referência públicos: SisFall, UP-Fall e MobiAct.
   • Pré-processamento: Um pipeline padronizado envolvendo filtragem de ruído (filtro passa-baixa Butterworth para SisFall), normalização (StandardScaler) e segmentação por janela deslizante com 50% de sobreposição.
   • Baselines: Comparações foram feitas contra 3D CNN isolada, BiLSTM isolada e uma 3D CNN-BiLSTM híbrida usando DP-SGD uniforme convencional (CONV-DP).

Principais Resultados
O framework CA-ADP proposto demonstrou desempenho superior em comparação com modelos de preservação de privacidade convencionais em todos os três conjuntos de dados:

• Ganhos de Desempenho: Em termos de F-score, o CA-ADP alcançou melhorias de 3,3% (SisFall), 8,5% (UP-Fall) e 7,5% (MobiAct) sobre a linha de base DP-SGD convencional.
• Melhoria no Recall: Os ganhos mais significativos foram observados no Recall, com o CA-ADP apresentando melhoria média de aproximadamente 0,088 em comparação ao CONV-DP. Isso é crítico para detecção de quedas, onde perder uma queda (Falso Negativo) é mais prejudicial do que um alarme falso.
• Significância Estatística: Testes de postos sinalizados de Wilcoxon confirmaram que as melhorias de desempenho do CA-ADP sobre o CONV-DP são estatisticamente significativas ($p < 0,0167$ após correção de Bonferroni) em todas as métricas e conjuntos de dados.
• Compromisso Privacidade-Utilidade: A análise mostrou que o CA-ADP alcança um melhor equilíbrio entre privacidade e utilidade. Nos conjuntos de dados SisFall e UP-Fall, o CA-ADP alcançou orçamentos de privacidade ($\epsilon$) mais baixos do que o CONV-DP (indicando proteção de privacidade mais forte para a mesma utilidade), enquanto no MobiAct, o orçamento de privacidade foi comparável.
• Comparação com Trabalhos Anteriores: O modelo proposto alcançou acurácia e F-scores competitivos ou superiores em comparação com estudos anteriores nesses conjuntos de dados, com a vantagem adicional de fornecer garantias formais de privacidade, algo que trabalhos anteriores em grande parte careciam.

Significância e Alegações
Os autores afirmam que este estudo é o primeiro a aplicar um mecanismo de Privacidade Diferencial Adaptativa Consciente de Classe especificamente ao problema de detecção de quedas.

• Abordando o Desbalanceamento: A principal contribuição é demonstrar que o agendamento adaptativo de ruído baseado na composição de classes do mini-lote pode mitigar a degradação de desempenho tipicamente associada à privacidade diferencial em conjuntos de dados de saúde desbalanceados.
• Garantias Formais: Diferentemente de muitos estudos existentes de detecção de quedas que focam apenas na acurácia, este trabalho fornece garantias rigorosas de DP $(\epsilon, \delta)$, abordando a necessidade ética e legal de proteger dados sensíveis do usuário em IA para saúde.
• Utilidade Prática: Os resultados sugerem que o CA-ADP não apenas preserva a privacidade, mas pode atuar como um regularizador implícito, potencialmente melhorando a generalização e o recall para eventos raros (quedas) melhor do que baselines não privadas em certos cenários.

Limitações e Direções Futuras
Os autores modestamente reconhecem que os orçamentos de privacidade alcançados ($\epsilon > 10$) não são tão rigorosos quanto os defendidos em alguma literatura de privacidade diferencial, uma consequência do tamanho de lote pequeno e dos multiplicadores de ruído utilizados. Eles também observam que os conjuntos de dados foram coletados sob condições controladas de laboratório. Trabalhos futuros visam reduzir o orçamento de privacidade para a faixa de $\epsilon = 3-5$, explorar privacidade diferencial zero-concentrada, estender o framework para reconhecimento de tipos de queda multiclasse e integrar o mecanismo em um cenário de aprendizado federado.