The rapid growth of Internet of Things (IoT) ecosystems in healthcare, autonomous systems, and industrial automation has enabled powerful capabilities but also heightened privacy risks. Edge devices often capture visual data containing sensitive attributes such as identity, background, or biometric traits. Traditional privacy-preserving methods, such as homomorphic encryption or differential privacy, offer strong guarantees but are too computationally demanding for real–time use on resource-constrained devices.

This thesis proposes an inference–time obfuscation framework tailored for IoT edge deployment. The approach employs an adversarial encoder–decoder with Gradient Reversal Layers (GRL) and supervised contrastive learning to disentangle utility–relevant from privacy–sensitive features, enabling selective suppression of attributes such as color, digit shape, or background while preserving task–critical utility. The framework is evaluated on Colored-MNIST and Cityscapes, with privacy leakage assessed through dedicated attack models (ColorNet, RecNet). Results demonstrate that the method significantly reduces leakage of private attributes while maintaining high utility accuracy, even under constrained bottleneck sizes, making it practical for real-time IoT edge applications.

Den snabba tillväxten av Internet of Things (IoT) inom hälso- och sjukvård, autonoma system och industriell automation har möjliggjort kraftfulla funktioner men också ökat integritetsriskerna. Edge enheter fångar ofta visuella data som innehåller känsliga attribut, såsom identitet, bakgrund eller biometriska kännetecken. Traditionella metoder för integritetsskydd, såsom homomorf kryptering eller differential privacy, erbjuder starka garantier men är alltför beräkningskrävande för realtidsanvändning på resursbegränsade enheter.

Denna avhandling föreslår ett obfuskationsramverk för inferenstid, särskilt anpassat för IoT-edge-miljöer. Metoden bygger på en adversariell encoder–decoder med Gradient Reversal Layers (GRL) och övervakad kontrastiv inlärning för att särskilja nyttorelevanta från integritetskänsliga egenskaper. Detta möjliggör selektiv undertryckning av attribut såsom färg, sifferform eller bakgrund, samtidigt som uppgiftskritisk nytta (t.ex. objekt- eller sifferidentitet) bevaras. Ramverket utvärderas på Colored-MNIST och Cityscapes, där integritetsläckage analyseras med hjälp av dedikerade attackmodeller (ColorNet, RecNet). Resultaten visar att metoden påtagligt minskar läckage av privata attribut samtidigt som hög nyttokvalitet bibehålls, även vid begränsade bottleneck-storlekar, vilket gör den praktiskt användbar för realtidsapplikationer på IoT-edge-enheter.