論文の概要: A Differentially Private Multi-Output Deep Generative Networks Approach
For Activity Diary Synthesis
- arxiv url: http://arxiv.org/abs/2012.14574v1
- Date: Tue, 29 Dec 2020 02:37:36 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-19 06:59:29.624020
- Title: A Differentially Private Multi-Output Deep Generative Networks Approach
For Activity Diary Synthesis
- Title(参考訳): 活動日記合成のための個人別多出力深層生成ネットワークアプローチ
- Authors: Godwin Badu-Marfo, Bilal Farooq and Zachary Patterson
- Abstract要約: 最先端の深層学習手法を用いて、旅行人口のアクティビティダイアリーを合成するプライバシー・バイ・デザイン生成モデルを開発する。
まず,社会経済的な特徴と地理的および時間的明示的な活動の縦列をシミュレートする活動日記の完全非一般化を示す。
第2に,調査参加者の独特さを識別する解像度レベルを制御するために,差分プライバシーアプローチを導入する。
- 参考スコア(独自算出の注目度): 7.238414555900085
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this work, we develop a privacy-by-design generative model for
synthesizing the activity diary of the travel population using state-of-art
deep learning approaches. This proposed approach extends literature on
population synthesis by contributing novel deep learning to the development and
application of synthetic travel data while guaranteeing privacy protection for
members of the sample population on which the synthetic populations are based.
First, we show a complete de-generalization of activity diaries to simulate the
socioeconomic features and longitudinal sequences of geographically and
temporally explicit activities. Second, we introduce a differential privacy
approach to control the level of resolution disclosing the uniqueness of survey
participants. Finally, we experiment using the Generative Adversarial Networks
(GANs). We evaluate the statistical distributions, pairwise correlations and
measure the level of privacy guaranteed on simulated datasets for varying
noise. The results of the model show successes in simulating activity diaries
composed of multiple outputs including structured socio-economic features and
sequential tour activities in a differentially private manner.
- Abstract(参考訳): 本研究では,最先端のディープラーニング手法を用いて,旅行人口の行動日記を合成するプライバシ・バイ・デザインの生成モデルを開発した。
提案手法は,合成人口を基盤とするサンプル集団のプライバシー保護を確保しつつ,合成旅行データの開発と適用に新たな深層学習を寄与させることにより,人口合成に関する文献を拡大する。
まず,社会経済的な特徴と地理的および時間的明示的な活動の縦列をシミュレートする活動日記の完全非一般化を示す。
第2に,調査参加者の独特さを識別する解像度レベルを制御するために,差分プライバシーアプローチを導入する。
最後に,GAN(Generative Adversarial Networks)を用いて実験を行った。
統計的分布,ペア相関性を評価し,様々なノイズに対するシミュレーションデータセット上で保証されるプライバシーレベルを測定した。
モデルの結果,構造化社会経済的特徴と逐次的ツアー活動を含む複数のアウトプットからなる活動日記を,異なるプライベートな方法でシミュレートすることに成功した。
関連論文リスト
- A Unified View of Differentially Private Deep Generative Modeling [60.72161965018005]
プライバシー上の懸念のあるデータには、データアクセスとデータ共有を頻繁に禁止する厳格な規制が伴う。
これらの障害を克服することは、プライバシーに敏感なデータを含む多くの現実世界のアプリケーションシナリオにおいて、技術的進歩の鍵となる。
差分的プライベート(DP)データパブリッシングは、データの衛生化された形式のみを公開する、魅力的なソリューションを提供する。
論文 参考訳(メタデータ) (2023-09-27T14:38:16Z) - Continual Release of Differentially Private Synthetic Data [31.37064398694776]
微分プライベートな合成データを連続的にリリースする問題について検討する。
各ステップごとに、各ステップが新しいデータ要素をレポートするモデルを導入します。
本稿では,2種類のクエリを連続的に保存する合成データ生成アルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-06-13T16:22:08Z) - Copula-based synthetic population generation [0.2376767664163658]
対象集団のための合成データを生成するためのコプラに基づく新しいフレームワークを提案する。
データを正規化し、与えられたコプラの実現として扱う。
我々は,正規化データから生成モデルを訓練し,限界値に関する情報を注入する。
論文 参考訳(メタデータ) (2023-02-17T23:58:14Z) - FedLAP-DP: Federated Learning by Sharing Differentially Private Loss
Approximations [58.192338472631405]
FedLAP-DPは、フェデレーション学習のための新しいプライバシー保護アプローチである。
我々の定式化は、クライアントから受信した合成サンプルを活用することで、グローバルな最適化を可能にします。
プライバシーの懸念が高まりつつある中で、私たちのアプローチがレコードレベルの差分プライバシーとシームレスに機能することを実証しています。
論文 参考訳(メタデータ) (2023-02-02T12:56:46Z) - Private Set Generation with Discriminative Information [63.851085173614]
異なるプライベートなデータ生成は、データプライバシの課題に対する有望な解決策である。
既存のプライベートな生成モデルは、合成サンプルの有用性に苦慮している。
我々は,最先端アプローチのサンプルユーティリティを大幅に改善する,シンプルで効果的な手法を提案する。
論文 参考訳(メタデータ) (2022-11-07T10:02:55Z) - Delving into High-Quality Synthetic Face Occlusion Segmentation Datasets [83.749895930242]
そこで本研究では,高品質な自然主義的合成隠蔽顔を製造するための2つの手法を提案する。
両手法の有効性とロバスト性を実証的に示す。
我々は,RealOccとRealOcc-Wildという,微細なアノテーションを付加した高精細な実世界の顔データセットを2つ提示する。
論文 参考訳(メタデータ) (2022-05-12T17:03:57Z) - Consistency and Diversity induced Human Motion Segmentation [231.36289425663702]
本稿では,CDMS(Consistency and Diversity induced Human Motion)アルゴリズムを提案する。
我々のモデルは、ソースとターゲットデータを異なる多層特徴空間に分解する。
ソースとターゲットデータ間の領域ギャップを低減するために、マルチミューチュアル学習戦略を実行する。
論文 参考訳(メタデータ) (2022-02-10T06:23:56Z) - 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) - Human Trajectory Forecasting in Crowds: A Deep Learning Perspective [89.4600982169]
本稿では,既存の深層学習に基づくソーシャルインタラクションのモデル化手法について詳細に分析する。
本稿では、これらの社会的相互作用を効果的に捉えるための知識に基づく2つのデータ駆動手法を提案する。
我々は,人間の軌道予測分野において,重要かつ欠落したコンポーネントであるTrajNet++を大規模に開発する。
論文 参考訳(メタデータ) (2020-07-07T17:19:56Z) - Composite Travel Generative Adversarial Networks for Tabular and
Sequential Population Synthesis [5.259027520298188]
本稿では,人口の関節分布を推定するためにCTGAN(Composite Travel Generative Adversarial Network)を提案する。
CTGANモデルは、変分オートエンコーダ(VAE)法など、最近提案された他の手法と比較される。
論文 参考訳(メタデータ) (2020-04-15T00:06:52Z) - DP-CGAN: Differentially Private Synthetic Data and Label Generation [18.485995499841]
本稿では,新たなクリッピング・摂動戦略に基づくDP-CGANトレーニングフレームワークを提案する。
DP-CGANは, 1桁のエプシロンパラメータを用いて, MNISTデータセット上で視覚的, 経験的に有望な結果を生成することができることを示す。
論文 参考訳(メタデータ) (2020-01-27T11:26:58Z)
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。