센서가 밀집된 환경은 이질적 데이터 스트림에서 사용자 애플리케이션을 추론해 다양한 지능형 서비스를 가능케 하지만, 사용자는 일부 활동이 비공개로 유지되기를 원해 유용한 서비스 추론과 원치 않는 추론 방지 사이에 긴장이 존재한다. 차분 프라이버시나 규칙 기반 필터링 같은 기존 방식은 개별 스트림은 보호하지만 여러 센서를 교차 분석하는 추론 위험은 막지 못한다. 연구진은 확산 모델 내 대조학습을 활용해 비공개 애플리케이션은 숨기면서 비공개가 아닌 애플리케이션은 탐지 가능하게 유지하는 합성 다중센서 스트림을 생성하는 PrivateHub를 제안했다. 애플리케이션 임베딩으로 모델을 조건화하는 사전학습과 대조학습으로 비공개·비비공개 데이터를 분리하는 미세조정 두 단계로 구성된다. 세 개의 실세계 다중센서 데이터셋 실험에서 비공개 애플리케이션 정확도를 40~50% 낮추면서도 비공개가 아닌 애플리케이션 성능은 유지했고, 공격자가 합성 데이터로 재학습해도 견고했다.

• •여러 센서를 교차 분석해 비공개 활동을 추론하는 위험을 막는 PrivateHub 제안
• •확산 모델 내 대조학습으로 비공개 애플리케이션은 숨기고 비공개 아닌 애플리케이션은 탐지 가능하게 유지
• •애플리케이션 임베딩 조건부 사전학습과 대조학습 기반 미세조정 두 단계로 구성
• •세 개 실세계 다중센서 데이터셋에서 비공개 애플 정확도 40~50% 감소, 비공개 아닌 성능은 유지
• •공격자가 합성 데이터로 재학습을 시도해도 방어 효과가 견고함을 확인