Fugu-MT 論文翻訳(概要): LSTM-TrajGAN: A Deep Learning Approach to Trajectory Privacy Protection

論文の概要: LSTM-TrajGAN: A Deep Learning Approach to Trajectory Privacy Protection

arxiv url: http://arxiv.org/abs/2006.10521v1
Date: Sun, 14 Jun 2020 03:04:19 GMT
ステータス: 処理完了
システム内更新日: 2022-11-21 12:41:38.432980
Title: LSTM-TrajGAN: A Deep Learning Approach to Trajectory Privacy Protection
Title（参考訳）: LSTM-TrajGAN: トラジェクトリプライバシ保護のためのディープラーニングアプローチ
Authors: Jinmeng Rao, Song Gao, Yuhao Kang, Qunying Huang
Abstract要約: データ共有と公開のためのプライバシー保護型合成軌道データを生成するエンド・ツー・エンドのディープラーニングモデルを提案する。本モデルは,実世界のセマンティック・トラジェクトリ・データセット上でのトラジェクトリ・ユーザ・リンクタスクに基づいて評価される。
参考スコア（独自算出の注目度）: 2.1793134762413437
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The prevalence of location-based services contributes to the explosive growth of individual-level trajectory data and raises public concerns about privacy issues. In this research, we propose a novel LSTM-TrajGAN approach, which is an end-to-end deep learning model to generate privacy-preserving synthetic trajectory data for data sharing and publication. We design a loss metric function TrajLoss to measure the trajectory similarity losses for model training and optimization. The model is evaluated on the trajectory-user-linking task on a real-world semantic trajectory dataset. Compared with other common geomasking methods, our model can better prevent users from being re-identified, and it also preserves essential spatial, temporal, and thematic characteristics of the real trajectory data. The model better balances the effectiveness of trajectory privacy protection and the utility for spatial and temporal analyses, which offers new insights into the GeoAI-powered privacy protection.
Abstract（参考訳）: 位置情報サービスの普及は、個々のレベルの軌跡データの爆発的な成長に寄与し、プライバシー問題に対する公衆の懸念を引き起こす。本研究では,データ共有と公開のためのプライバシー保護型合成軌道データを生成するために,エンドツーエンドのディープラーニングモデルであるLSTM-TrajGANを提案する。モデルトレーニングと最適化のための軌道類似性損失を測定するために,損失メトリック関数trajlossを設計する。本モデルは,実世界の意味的トラジェクトリデータセット上でのトラジェクトリ・ユーザリンクタスクに基づいて評価される。他の一般的なジオマスキング手法と比較して,本モデルではユーザが再識別されることを防止でき,また実際の軌跡データの空間的・時間的・主題的特性も保持できる。このモデルは、軌道上のプライバシ保護と空間的および時間的分析のためのユーティリティのバランスを改善し、GeoAIによるプライバシ保護に関する新たな洞察を提供する。

関連論文リスト

Robust Utility-Preserving Text Anonymization Based on Large Language Models [80.5266278002083]
テキストの匿名化は、プライバシーを維持しながら機密データを共有するために重要である。既存の技術は、大規模言語モデルの再識別攻撃能力の新たな課題に直面している。本稿では,3つのLCMベースコンポーネント – プライバシ評価器,ユーティリティ評価器,最適化コンポーネント – で構成されるフレームワークを提案する。
論文参考訳（メタデータ） (2024-07-16T14:28:56Z)
FedVAE: Trajectory privacy preserving based on Federated Variational AutoEncoder [30.787270605742883]
位置情報ベースのサービス(LBS)は、位置情報に合わせてパーソナライズされたサービスを提供するために、軌跡データを活用する。この課題に対処するため、データセット内の個人情報を保護するために、K匿名性や差分プライバシーといったプライバシ保護手法が提案されている。本稿では,個人情報の機密性を保ち,元の特徴構造を保ちつつ,新たなトラジェクトリデータセットを効果的に生成するフェデレート変分オートエンコーダ(FedVAE)アプローチを提案する。
論文参考訳（メタデータ） (2024-07-12T13:10:59Z)
Reconsidering utility: unveiling the limitations of synthetic mobility data generation algorithms in real-life scenarios [49.1574468325115]
実世界の応用性の観点から,5つの最先端合成手法の有用性を評価した。我々は、GPS追跡タクシーのような細粒度都市の動きを符号化するいわゆる旅行データに焦点を当てる。あるモデルは妥当な時間内にデータを生成することができず、別のモデルはマップマッチングの要件を満たすためにあまりに多くのジャンプを生成する。
論文参考訳（メタデータ） (2024-07-03T16:08:05Z)
Federated Learning with Projected Trajectory Regularization [65.6266768678291]
フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
論文参考訳（メタデータ） (2023-12-22T02:12:08Z)
Privacy-Preserving Load Forecasting via Personalized Model Obfuscation [4.420464017266168]
本稿では,異種データを用いたフェデレーション学習で訓練した短期負荷予測モデルの性能課題について述べる。提案するアルゴリズムであるプライバシー保護フェデレートラーニング(PPFL)では,各スマートメータでのローカライズトレーニングのためのパーソナライズレイヤが組み込まれている。
論文参考訳（メタデータ） (2023-11-21T03:03:10Z)
JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
論文参考訳（メタデータ） (2023-11-05T18:59:31Z)
CATS: Conditional Adversarial Trajectory Synthesis for Privacy-Preserving Trajectory Data Publication Using Deep Learning Approaches [2.194575078433007]
Conditional Adjectory Synthesis (CATS) は、プライバシー・時間的軌跡データ生成と公開のためのディープラーニングベースの方法論フレームワークである。実験の結果,90k以上のGPSトラジェクトリでは,基本手法と比較して,プライバシ,特性保存,下流ユーティリティの保存性能が向上していることがわかった。
論文参考訳（メタデータ） (2023-09-20T18:52:56Z)
DiffTraj: Generating GPS Trajectory with Diffusion Probabilistic Model [44.490978394267195]
軌道生成のための時空間確率モデル(DiffTraj)を提案する。中心となる考え方は、逆軌道分解過程を通じて白いノイズから地理的軌跡を再構成し、合成することである。 2つの実世界のデータセットの実験により、DiffTrajは直感的に高忠実な軌道を生成することができることが示された。
論文参考訳（メタデータ） (2023-04-23T08:42:45Z)
PEARL: Data Synthesis via Private Embeddings and Adversarial Reconstruction Learning [1.8692254863855962]
本稿では, 深層生成モデルを用いたデータ・フレームワークを, 差分的にプライベートな方法で提案する。当社のフレームワークでは、センシティブなデータは、厳格なプライバシ保証をワンショットで行うことで衛生化されています。提案手法は理論的に性能が保証され,複数のデータセットに対する経験的評価により,提案手法が適切なプライバシーレベルで他の手法よりも優れていることが示された。
論文参考訳（メタデータ） (2021-06-08T18:00:01Z)
Chance-Constrained Trajectory Optimization for Safe Exploration and Learning of Nonlinear Systems [81.7983463275447]
学習に基づく制御アルゴリズムは、訓練のための豊富な監督を伴うデータ収集を必要とする。本稿では,機会制約付き最適制御と動的学習とフィードバック制御を統合した安全な探索による最適動作計画のための新しいアプローチを提案する。
論文参考訳（メタデータ） (2020-05-09T05:57:43Z)
Privacy-preserving Traffic Flow Prediction: A Federated Learning Approach [61.64006416975458]
本稿では,フェデレート学習に基づくGated Recurrent Unit Neural Network Algorithm (FedGRU) というプライバシ保護機械学習手法を提案する。 FedGRUは、現在の集中学習方法と異なり、安全なパラメータアグリゲーション機構を通じて、普遍的な学習モデルを更新する。 FedGRUの予測精度は、先進的なディープラーニングモデルよりも90.96%高い。
論文参考訳（メタデータ） (2020-03-19T13:07:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。