研究人员开发了PEARL，一个用于控制利用深度强化学习的以人为中心的网络物理系统（CPS）中隐私和效用的新框架。PEARL采用双路径早期退出深度Q网络，在不注入噪声的情况下结构性地限制共享动作的描述能力。这是通过使用效用置信度标签（UCL）和隐私置信度标签（PCL）来实现的，以确保动作质量并控制隐私泄露。该框架已在智能家居HVAC和VR教室系统上得到验证，证明在可控的效用成本下，对抗性状态推断的准确性显著降低。 AI
影响 PEARL为边缘AI应用中的隐私-效用权衡管理提供了一种新方法，有望提高智能环境中的用户信任度和数据安全性。
排序理由 该项目是一篇研究论文，详细介绍了使用深度强化学习在网络物理系统中进行隐私-效用控制的新框架。[lever_c_demoted from research: ic=1 ai=1.0]
- Cyber-Physical Systems
- deep reinforcement learning
- Early-Exit Deep Q-Network
- PEARL
- Personalized Early-exit Adaptive Reinforcement Learning
- Privacy Confidence Labels
- Salma Elmalaki
- Utility Confidence Labels
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
