在智能家居、可穿戴设备等传感器密集型环境中，系统通过异构的多传感器数据流推断用户正在使用的应用，从而提供智能服务。然而，并非所有应用都应该被识别——用户希望某些活动保持私密。现有隐私保护方法（如差分隐私、基于规则的过滤）仅针对单一数据流，无法应对攻击者利用跨传感器关联推断出用户隐私的风险。为此，论文提出一种名为 PrivateHub 的隐私保护框架，采用对比学习与扩散模型的结合，生成合成的多传感器数据流。该方法生成的数据可以保持非私密应用的可检测性，同时有效掩盖私密应用的存在。PrivateHub 包含两个训练阶段：应用条件预训练（ACP）和应用感知微调（AAF）。ACP 阶段利用应用嵌入对多传感器数据进行条件生成建模，使模型理解应用类别与传感器模式的关系；AAF 阶段通过对比学习将私密和非私密数据在表征空间上分离，并优化生成器使得私密应用在合成数据中对应的特征与真实数据混淆，从而显著降低攻击者分类器对私密应用识别的准确率。论文还定义了多传感器共享场景下的威胁模型，假设攻击者直接访问用户共享的原始传感器数据流，并尝试推断用户正在使用的应用。在三个真实多传感器数据集上的实验表明，PrivateHub 能将私密应用的识别准确率降低 40% 到 50%，同时非私密应用的分类性能几乎不受影响。即使在攻击者利用合成数据对自身模型进行再训练的情况下，该方法的隐私保护效果依然稳定，说明其并非依赖简单的噪声扰动，而是产生了具有泛化性的特征混淆。本文的主要贡献包括：提出了首个面向跨传感器推断风险的扩散生成式隐私保护方案；设计了对比学习与条件扩散模型的结合机制；给出了完整的威胁模型和评估协议。该研究适合可信机器学习、隐私保护、物联网数据共享等方向的学者及从业者阅读。

MultiGait 论文针对智慧城市新兴传感器（热成像相机、深度相机、激光雷达等）缺乏合适数据集、难以系统评估其隐私风险的问题，构建了首个多传感器、多视角、多会话的步态数据集，并形成了一套身份推断基准。作者认为，在大量关于传感器隐私影响的未经证实说法出现、且这些传感器可能被大规模部署到日常生活的背景下，单独以及横向比较理解这些传感器的隐私风险至关重要。为此，MultiGait 数据集采集了 199 名受试者的多种行走模式和带标注的个人属性，覆盖八种传感器、四种视角和三个录制会话，并借助多种最先进的识别系统进行了验证，可支持跨传感器识别和边缘端匿名化等深入研究。论文核心贡献是通过这个基准进行大规模身份推断实验，结果显示：一些通常被认为隐私友好的传感器（例如热成像或深度传感器）依然存在相当显著的身份识别风险；同时，现有方法在跨会话泛化方面表现较差，这揭示了当前步态识别研究的一个重要空白——即模型在不同时间、不同条件下的稳定性不足，而这对实际部署中的隐私保护至关重要。整体而言，MultiGait 为严格的传感器隐私调查提供了基础资源，适合隐私安全研究人员、智慧城市系统设计者以及计算机视觉领域关注步态识别和身份匿名化的学者阅读。