Hidden In Plain Gaze: Gaze Representations as Privacy Controls for Utility and Re-identification Risk in XR
作者: Cory Ilo, Brendan-David John, Doug A. Bowman
分类: cs.CV, cs.ET, cs.HC, cs.LG
发布日期: 2026-09-04
💡 一句话要点
提出基于注视表示的隐私控制以降低XR中的身份重识别风险
🎯 匹配领域: 支柱六：视频提取与匹配 (Video Extraction)
关键词: 隐私保护 眼动追踪 扩展现实 身份重识别 特征工程 动作识别 数据安全
📋 核心要点
- 现有XR系统在利用眼动数据推断用户意图时，可能导致生物特征身份泄露，存在隐私风险。
- 本文提出通过选择不同的注视数据表示作为轻量级隐私控制，旨在降低身份重识别的风险。
- 实验结果表明，工程化特征在保持高动作识别准确率的同时，显著降低了身份重识别的可能性。
📝 摘要（中文）
智能扩展现实（XR）系统越来越多地利用眼动和头部追踪来推断用户意图、任务和注意力，但这些信号也可能泄露生物特征身份。本文研究了注视数据表示选择是否可以作为轻量级隐私控制，在特征提取阶段就降低身份重识别风险。通过对比三种注视表示（原始注视、空间注意力热图和工程化眼动特征），我们发现表示选择显著影响隐私与效用的权衡。工程化特征在保留约85%原始注视的动作识别准确率的同时，将身份重识别风险降低了约一个数量级，达到206个身份的约四倍机会率。这一减少虽然减轻了身份泄露，但并未完全消除，且不同表示之间的差异表明，仅仅抽象化并不能保证隐私。工程化特征提供了可解释和可审计的结构，为设计者提供了一个透明的隐私控制手段，补充了差分隐私等机制。
🔬 方法详解
问题定义：本文旨在解决XR系统中眼动数据泄露用户生物特征身份的问题。现有方法在特征提取阶段未能有效控制隐私风险，导致身份重识别的可能性较高。
核心思路：通过比较不同的注视数据表示（原始注视、空间注意力热图和工程化眼动特征），探讨如何在特征提取阶段实现隐私控制，降低身份泄露风险。
技术框架：研究使用了HoloAssist数据集，首先提取三种不同的注视表示，然后在相同模型容量下进行动作识别和用户重识别的评估，比较其隐私与效用的权衡。
关键创新：工程化眼动特征是本研究的核心创新，能够在保持高准确率的同时，显著降低身份重识别风险，与传统的原始注视数据相比，提供了更好的隐私保护。
关键设计：在实验中，工程化特征的设计使得其在动作识别任务中保留了约85%的准确率，同时将身份重识别的可能性降低到约四倍机会率，显示出其在隐私保护方面的有效性。具体参数设置和损失函数的选择在文中进行了详细描述。
🖼️ 关键图片
📊 实验亮点
实验结果显示，工程化特征在动作识别任务中保留了约85%的原始注视准确率，同时将身份重识别的风险降低了约一个数量级，达到206个身份的约四倍机会率。这一结果表明，选择合适的注视表示能够显著改善隐私与效用的权衡。
🎯 应用场景
该研究的潜在应用领域包括智能XR系统、虚拟现实和增强现实等场景，能够为用户提供更好的隐私保护，降低身份泄露风险。未来，该方法可能与其他隐私保护机制结合，进一步提升用户数据安全性，推动XR技术的广泛应用。
📄 摘要（原文）
Intelligent extended reality (XR) systems increasingly use eye and head tracking to infer user intent, task, and attention, but the same signals can also reveal biometric identity. We study whether gaze data representation choice can serve as a lightweight privacy control at feature extraction, before adding perturbation or formal privacy mechanisms. Using the egocentric HoloAssist dataset, we compare three gaze representations under matched model capacity: raw gaze, spatial attention heatmaps, and engineered eye-movement features. We evaluate each representation on action recognition as task utility and closed-set user re-identification as privacy leakage. Representation choice substantially changes the privacy-utility tradeoff. Engineered features retain roughly 85% of raw gaze's action-recognition accuracy while reducing re-identification by about an order of magnitude, to roughly four times the chance rate across 206 identities. This reduction attenuates rather than eliminates identity leakage, and the differences across representations show that abstraction alone does not guarantee privacy. Engineered features expose interpretable and auditable structure, giving designers a transparent privacy lever that complements mechanisms such as differential privacy.