Deontic Knowledge Graphs for Privacy Compliance in Multimodal Disaster Data Sharing

📄 arXiv: 2601.03587v1 📥 PDF

作者: Kelvin Uzoma Echenim, Karuna Pande Joshi

分类: cs.CR, cs.AI, cs.DB

发布日期: 2026-01-07

💡 一句话要点

提出基于义务知识图的框架以解决多模态灾害数据共享中的隐私合规问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 隐私合规 知识图谱 灾害管理 多模态数据 决策支持

📋 核心要点

  1. 现有的隐私合规方法通常依赖于二元访问控制，无法有效应对灾害响应中的复杂数据共享需求。
  2. 本文提出了一种基于义务知识图的框架，通过集成灾害管理知识图和政策知识图，增强了隐私合规性。
  3. 实验结果表明，该框架在510万三元组的知识图上实现了精确匹配决策的正确性和亚秒级的决策延迟。

📝 摘要（中文）

灾害响应需要在重叠的隐私要求下共享异构数据，从表格援助记录到无人机影像。现有的操作系统通常将合规性简化为二元访问控制，这在时间紧迫的工作流程中显得脆弱。本文提出了一种新颖的基于义务知识图的框架，将灾害管理知识图（DKG）与基于IoT-Reg和FEMA/DHS隐私驱动的政策知识图（PKG）集成。我们的发布决策函数支持三种结果：允许、阻止和允许-变换。后者将义务绑定到变换上，并通过源头链接的派生工件验证变换后的合规性；被阻止的请求被记录为语义隐私事件。在一个包含510万三元组的DKG和316K图像的评估中，展示了精确匹配决策的正确性、每个决策的亚秒延迟，以及在单图和联邦工作负载下的交互查询性能。

🔬 方法详解

问题定义：本文旨在解决在多模态灾害数据共享中，现有方法因依赖二元访问控制而导致的隐私合规性不足的问题。现有方法在时间紧迫的情况下表现脆弱，无法满足复杂的隐私要求。

核心思路：论文提出的框架通过结合灾害管理知识图（DKG）和政策知识图（PKG），实现了对数据共享的动态合规性管理。该框架支持多种决策结果，增强了对隐私义务的遵循。

技术框架：整体架构包括三个主要模块：灾害管理知识图（DKG）、政策知识图（PKG）和发布决策函数。发布决策函数根据输入数据和隐私政策生成允许、阻止或允许-变换的决策。

关键创新：最重要的创新在于引入了义务知识图的概念，将隐私政策与数据共享的实际操作紧密结合，能够动态调整决策并记录隐私事件。与传统方法相比，该方法更具灵活性和适应性。

关键设计：在设计中，发布决策函数的输出包括三种状态，并通过源头链接的派生工件验证变换后的合规性。此外，系统在处理请求时能够记录被阻止的请求，以便后续审计和分析。

📊 实验亮点

实验结果显示，在一个包含510万三元组的知识图上，框架实现了精确匹配决策的正确性，且每个决策的延迟在亚秒级别。此外，系统在单图和联邦工作负载下的交互查询性能表现优异，证明了其高效性。

🎯 应用场景

该研究的潜在应用领域包括灾害管理、紧急响应和公共安全等领域。通过提高数据共享过程中的隐私合规性，能够更有效地利用多模态数据，提升灾害响应的效率和效果。未来，该框架可能在其他需要隐私保护的数据共享场景中得到应用。

📄 摘要（原文）

Disaster response requires sharing heterogeneous artifacts, from tabular assistance records to UAS imagery, under overlapping privacy mandates. Operational systems often reduce compliance to binary access control, which is brittle in time-critical workflows. We present a novel deontic knowledge graph-based framework that integrates a Disaster Management Knowledge Graph (DKG) with a Policy Knowledge Graph (PKG) derived from IoT-Reg and FEMA/DHS privacy drivers. Our release decision function supports three outcomes: Allow, Block, and Allow-with-Transform. The latter binds obligations to transforms and verifies post-transform compliance via provenance-linked derived artifacts; blocked requests are logged as semantic privacy incidents. Evaluation on a 5.1M-triple DKG with 316K images shows exact-match decision correctness, sub-second per-decision latency, and interactive query performance across both single-graph and federated workloads.