Differentially private federated learning to protect identity in stress recognition

• Autorzy: Guelta Bouchiba , Benbakreti Samir , Boumediene Kadda

Identyfikatory

DOI

10.15199/48.2024.06.07

Warianty tytułu

PL

Różnorodnie prywatne stowarzyszone uczenie się w celu ochrony tożsamości w rozpoznawaniu stresu

• Języki publikacji: EN

Abstrakty

EN

Over the last decade, the use of Automatic emotion recognition has become increasingly widespread in response to the growing need to improve human life quality. The used emotion data encompasses a wealth of personal information, which includes but is not limited to gender, age, health condition, identity, and so on. These demographic information, known as soft or hard biometrics, are private and the user may not share them with others. Unfortunately, with the adversarial algorithms, this information can be inferred automatically, creating the potential for user’s data breach. To address the above issues, we present a federated learning–based approach to hide identity-related information in identity subject task, while maintaining their effectiveness for emotion utility task. We also introduce differential privacy mechanism, a method that explicitly limits the data leakage from federated learning model. Experiments conducted on the WESAD dataset demonstrate that stress recognition tasks can be effectively carried out while decreasing user identity and ensuring differential privacy guarantees; the intensity of the amount of noise derived from differential privacy can be tuned to balance the trade-off between privacy and utility.

PL

W ciągu ostatniej dekady zastosowanie automatycznego rozpoznawania emocji stało się coraz bardziej powszechne w odpowiedzi na rosnącą potrzebę poprawy jakości życia człowieka. Wykorzystywane dane dotyczące emocji obejmują bogactwo danych osobowych, które obejmują między innymi płeć, wiek, stan zdrowia, tożsamość itd. Te informacje demograficzne, zwane miękkimi lub twardymi danymi biometrycznymi, są prywatne i użytkownik nie może udostępniać ich innym osobom. Niestety, w przypadku algorytmów kontradyktoryjnych informacje te mogą zostać wywnioskowane automatycznie, co stwarza ryzyko naruszenia bezpieczeństwa danych użytkownika. Aby rozwiązać powyższe problemy, przedstawiamy stowarzyszone podejście oparte na uczeniu się, mające na celu ukrycie informacji związanych z tożsamością w zadaniu podmiotu tożsamości, przy jednoczesnym zachowaniu ich skuteczności w zadaniu użyteczności emocjonalnej. Wprowadzamy także mechanizm różnicowej prywatności, metodę, która wyraźnie ogranicza wyciek danych z federacyjnego modelu uczenia się. Eksperymenty przeprowadzone na zbiorze danych WESAD pokazują, że zadania rozpoznawania stresu można skutecznie wykonywać, zmniejszając jednocześnie tożsamość użytkownika i zapewniając zróżnicowane gwarancje prywatności; intensywność hałasu pochodzącego z różnicowej prywatności można dostroić, aby zrównoważyć kompromis między prywatnością a użytecznością.

Słowa kluczowe

EN

stress recognition; federated learning; differential privacy; deep learning

PL

rozpoznawanie stresu; uczenie stowarzyszone; prywatność różnicowa; uczenie głębokie

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2024
• Tom: R. 100, nr 6
• Strony: 36--41
• Opis fizyczny: Bibliogr. 25 poz., rys., tab.

Twórcy

autor

Guelta Bouchiba

• University of Science and Technology of Oran USTO-MB

autor

Benbakreti Samir

• Higher National School of Information and Communication Technologies and Post

autor

Boumediene Kadda

• University of Science and Technology of Oran USTO-MB

Bibliografia

• [1] Mohr, David C., Mi Zhang, and Stephen M. Schueller. "Personal sensing: understanding mental health using ubiquitous sensors and machine learning." Annual review of clinical psychology 13 (2017): 23-47.
• [2] Zeng, Zhihong, et al. "A survey of affect recognition methods: audio, visual and spontaneous expressions." Proceedings of the 9th international conference on Multimodal interfaces. 2007.
• [3] Kairouz, Peter, et al. "Advances and open problems in federated learning." Foundations and Trends® in Machine Learning 14.1–2 (2021): 1-210.
• [4] Ibbett, Alan. "An examination of real-world data leakage from IoT devices." (2022).
• [5] Turgay, Safiye, and İlker İlter. "Perturbation Methods for Protecting Data Privacy: A Review of Techniques and Applications." Automation and Machine Learning 4.2 (2023): 31-4.
• [6] Roman, Adrian-Silviu. "Evaluating the Privacy and Utility of Time-Series Data Perturbation Algorithms." Mathematics 11.5 (2023): 1260.
• [7] Zhang, Chen, et al. "A survey on federated learning." Knowledge-Based Systems 216 (2021): 106775.
• [8] Lyu, Lingjuan, Han Yu, and Qiang Yang. "Threats to federated learning: A survey." arXiv preprint arXiv:2003.02133 (2020).
• [9] Shao, Jiawei, et al. "A Survey of What to Share in Federated Learning: Perspectives on Model Utility, Privacy Leakage, and Communication Efficiency." arXivpreprintarXiv:2307.10655 (202)
• [10] El Ouadrhiri, Ahmed, and Ahmed Abdelhadi. "Differential privacy for deep and federated learning: A survey." IEEE access 10 (2022): 22359-22380.
• [11] Philip Schmidt, A., R. Duerichen Reiss, and Introducing WESAD Kristof Van Laerhoven. "a multimodal dataset for wearable Stress and Affect Detection." Proceedings of the International Conference on Multimodal Interaction. 2018.
• [12] Zhang, Jianhua, et al. "Emotion recognition using multi-modal data and machine learning techniques: A tutorial and review." Information Fusion 59 (2020): 103-126.
• [13] Feng, Tiantian, et al. "Attribute inference attack of speech emotion recognition in federated learning settings." arXiv preprint arXiv:2112.13416 (2021).
• [14] Zhang, Tuo, et al. "Fedaudio: A federated learning benchmark for audio tasks." ICASSP 2023-2023 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). IEEE, 2023.
• [15] Tsouvalas, Vasileios, Tanir Ozcelebi, and Nirvana Meratnia. "Privacy-preserving speech emotion recognition through semi supervised federated learning." 2022 IEEE International Conference on Pervasive Computing and Communications Workshops and other Affiliated Events (PerCom Workshops). IEEE, 2022.
• [16] Latif, Siddique, et al. "Federated learning for speech emotion recognition applications." 2020 19th ACM/IEEE International Conference on Information Processing in Sensor Networks (IPSN). IEEE, 2020
• [17] Zhao, Huan, et al. "Privacy-Enhanced Federated Learning Against Attribute Inference Attack for Speech Emotion Recognition." ICASSP 2023-2023 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). IEEE, 202. an,
• [18] Chao, et al. "General or Specific? Investigating Effective Privacy Protection in Federated Learning for Speech Emotion Recognition." ICASSP 2023-2023 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). IEEE, 202.
• [19] Ali, Hafiz Shehbaz, et al. "Privacy enhanced speech emotion communication using deep learning aided edge computing." 2021 IEEE International Conference on Communications Workshops (ICC Workshops). IEEE, 2021.
• [20] Gahlan, Neha, and Divyashikha Sethia. "Federated learning inspired privacy sensitive emotion recognition based on multi modal physiological sensors." Cluster Computing (2023): 1-23.
• [21] Nandi, Arijit, and Fatos Xhafa. "A federated learning method for real-time emotion state classification from multi-modal streaming." Methods 204 (2022): 340-347.
• [22] Anwar, Mohd Ayaan, et al. "FedEmo: A Privacy-Preserving Framework for Emotion Recognition using EEG Physiological Data." 2023 15th International Conference on COMmunication Systems & NETworkS (COMSNETS). IEEE, 2023.
• [23] Chhikara, Prateek, et al. "Federated learning meets human emotions: A decentralized framework for human–computer interaction for IoT applications." IEEE Internet of Things Journal 8.8 (2020): 6949-6962.
• [24] Abadi, Martin, et al. "Deep learning with differential privacy." Proceedings of the 2016 ACM SIGSAC conference on computer and communications security. 2016.
• [25] Geiping, Jonas, et al. "Inverting gradients-how easy is it to break privacy in federated learning?." Advances in Neural Information Processing Systems 33 (2020): 16937-16947.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki i promocja sportu (2025).