Edge-Cloud Pet Behavior Monitoring System Based on On-Device Encoding Anonymization

본 논문은 엣지 디바이스 단계에서 민감 정보를 원천적으로 소거하는 적대적 학습 기반의 프라이버시 보존형 행동 모니터링 시스템을 제안한다. 제안하는 시스템은 마스킹된 오토인코더(MAE)를 백본으로 채택하여 레이블이 부족한 데이터 환경에서도 행동의 문맥적 특징을 효과적으로 학습한다. 특히, 인코딩 과정에 프라이버시 손실을 도입하여, 행동 분석에 필요한 유용성(Utility) 정보는 보존하되 개체 고유의 식별 정보는 최소화하는 Min-Max 최적화를 수행한다. 실험 결과, 제안 모델은 기존 베이스라인 모델 대비 우수한 행동 분류 정확도를 유지하면서도, 개체 재식별 F1 점수를 무작위 추측 수준인 0.087(행동 분류), 0.052(음성 탐지)까지 낮추어 시스템의 보안성과 실용성을 입증하였다.