PrivFusionNet：缓解情绪识别中 EEG–眼动融合的身份信息再泄漏

基于摘要分析。该研究以 EEG 与眼动信号的多模态情绪识别为研究对象，关注单模态中被抑制的被试身份线索在融合后重新出现的问题。作者提出 PrivFusionNet，将隐私保护直接施加于融合空间，以兼顾情绪判别能力与身份信息抑制。 核心机制包含三个部分：隐私感知低秩融合依据任务效用与身份风险，对跨模态交互成分重新加权；融合层面的任务–身份解耦削弱身份相关方向，同时保留情绪判别信息；融合隐私码本将连续表征量化为被试共享的任务原型，以抑制细粒度身份线索。相较于主要在单模态层面保护隐私的思路，其研究重点是融合过程可能重新组合残余身份线索，以及如何在融合表征中直接控制这种风险。具体损失形式、风险估计方法、码本学习与训练流程尚未验证。 作者报告，在留一会话（Cross-session）的隐私评估中，SEED-IV 的融合表征用户身份识别 Accuracy 从 25.33% 降至 7.57%，SEED-V 从 46.38% 降至 6.11%；摘要未明确这些下降所对应的具体对照配置。在留一被试（Cross-subject）的情绪识别评估中，作者报告两个数据集的平均 Accuracy 分别为 84.23% 与 88.30%。隐私与情绪识别结果来自不同评估协议，不能将其视为同一划分下的联合指标。 作者据此认为，融合诱发的身份信息再泄漏是一项实际隐私风险，且该方法具有较好的隐私–效用权衡。复现时需核对身份攻击器的能力与训练数据、身份类别数及机会水平、会话和被试划分、各机制的独立贡献，以及情绪识别对照结果；实验协议、消融及统计信息尚未验证。身份识别 Accuracy 降低支持所用评估条件下的泄漏减弱，但不能据此推断对其他攻击方式也具有隐私保证。全文与代码可用性尚未验证。