論文の概要: Privacy-Utility Trades in Crowdsourced Signal Map Obfuscation
- arxiv url: http://arxiv.org/abs/2201.04782v1
- Date: Thu, 13 Jan 2022 03:46:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-14 15:13:10.058830
- Title: Privacy-Utility Trades in Crowdsourced Signal Map Obfuscation
- Title（参考訳）: クラウドソーシング信号マップの難読化におけるプライバシ・ユーティリティ取引
- Authors: Jiang Zhang, Lillian Clark, Matthew Clark, Konstantinos Psounis, Peter
Kairouz
- Abstract要約: クラウドソースセルラー信号強度測定は、ネットワーク性能を改善するために信号マップを生成するために使用できる。
我々は、データがモバイルデバイスを離れる前に、そのようなデータを難読化することを検討する。
評価結果は,多種多様な実世界の信号マップデータセットに基づいて,適切なプライバシとユーティリティを同時に実現可能であることを示す。
- 参考スコア（独自算出の注目度）: 20.58763760239068
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cellular providers and data aggregating companies crowdsource celluar signal
strength measurements from user devices to generate signal maps, which can be
used to improve network performance. Recognizing that this data collection may
be at odds with growing awareness of privacy concerns, we consider obfuscating
such data before the data leaves the mobile device. The goal is to increase
privacy such that it is difficult to recover sensitive features from the
obfuscated data (e.g. user ids and user whereabouts), while still allowing
network providers to use the data for improving network services (i.e. create
accurate signal maps). To examine this privacy-utility tradeoff, we identify
privacy and utility metrics and threat models suited to signal strength
measurements. We then obfuscate the measurements using several preeminent
techniques, spanning differential privacy, generative adversarial privacy, and
information-theoretic privacy techniques, in order to benchmark a variety of
promising obfuscation approaches and provide guidance to real-world engineers
who are tasked to build signal maps that protect privacy without hurting
utility. Our evaluation results, based on multiple, diverse, real-world signal
map datasets, demonstrate the feasibility of concurrently achieving adequate
privacy and utility, with obfuscation strategies which use the structure and
intended use of datasets in their design, and target average-case, rather than
worst-case, guarantees.
- Abstract（参考訳）: セルラープロバイダとデータ集約企業は、ユーザデバイスからセルラー信号強度測定をクラウドソースして、信号マップを生成する。
このデータ収集がプライバシーの懸念に対する認識の高まりと相反する可能性があることを認識して、データをモバイル端末に残す前にそのようなデータを難読化することを検討する。
目標は、難読化されたデータ(例えば、ユーザidとユーザの居場所)から機密機能を回復しにくくすると同時に、ネットワークプロバイダがそのデータをネットワークサービスの改善(すなわち正確なシグナルマップの作成)に使用できるように、プライバシを向上することである。
このプライバシ利用のトレードオフを調べるために、私たちは、信号強度測定に適したプライバシとユーティリティメトリクスと脅威モデルを特定します。
次に,様々な難読化アプローチのベンチマークと,実用性を損なうことなくプライバシを保護するための信号マップ構築を任務とする実世界エンジニアへのガイダンスを提供するため,ディファレンシャルプライバシ,ジェネラティブ敵プライバシ,情報理論プライバシ技術など,いくつかの先行技術を用いて測定値の難読化を行う。
評価結果は,多種多様な実世界の信号マップデータセットに基づいて,設計においてデータセットの構造と意図した利用,最悪の場合ではなく平均ケースを対象とする難読化戦略を用いて,適切なプライバシーと実用性を同時に達成する可能性を示す。
関連論文リスト
- Masked Differential Privacy [64.32494202656801]
本稿では,差分プライバシーを適用した機密領域を制御できる「マスク型差分プライバシー(DP)」という効果的なアプローチを提案する。
提案手法はデータに基づいて選択的に動作し,DPアプリケーションや差分プライバシーをデータサンプル内の他のプライバシー技術と組み合わせることなく,非感性時間領域を定義できる。
論文 参考訳（メタデータ） (2024-10-22T15:22:53Z) - Unveiling Privacy Vulnerabilities: Investigating the Role of Structure in Graph Data [17.11821761700748]
本研究では,ネットワーク構造から生じるプライバシーリスクに対する理解と保護を推し進める。
我々は,ネットワーク構造によるプライバシー漏洩の可能性を評価するための重要なツールとして機能する,新しいグラフプライベート属性推論攻撃を開発した。
攻撃モデルはユーザのプライバシに重大な脅威を与え,グラフデータ公開手法は最適なプライバシとユーティリティのトレードオフを実現する。
論文 参考訳（メタデータ） (2024-07-26T07:40:54Z) - Defining 'Good': Evaluation Framework for Synthetic Smart Meter Data [14.779917834583577]
スマートメーターデータセットのプライバシーリスクを評価するには,標準プライバシ攻撃手法が不十分であることを示す。
本稿では,トレーニングデータを不確実なアウトレーラで注入し,それらのアウトレーラに直接プライバシ攻撃を発生させる手法を提案する。
論文 参考訳（メタデータ） (2024-07-16T14:41:27Z) - Ungeneralizable Examples [70.76487163068109]
学習不能なデータを作成するための現在のアプローチには、小さくて特殊なノイズが組み込まれている。
学習不能データの概念を条件付きデータ学習に拡張し、textbfUntextbf Generalizable textbfExamples (UGEs)を導入する。
UGEは認証されたユーザに対して学習性を示しながら、潜在的なハッカーに対する非学習性を維持している。
論文 参考訳（メタデータ） (2024-04-22T09:29:14Z) - 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) - ConfounderGAN: Protecting Image Data Privacy with Causal Confounder [85.6757153033139]
本稿では,GAN(Generative Adversarial Network)のConfounderGANを提案する。
実験は、3つの自然なオブジェクトデータセットと3つの医療データセットからなる6つの画像分類データセットで実施される。
論文 参考訳（メタデータ） (2022-12-04T08:49:14Z) - Cross-Network Social User Embedding with Hybrid Differential Privacy
Guarantees [81.6471440778355]
プライバシー保護方式でユーザを包括的に表現するために,ネットワーク横断型ソーシャルユーザ埋め込みフレームワークDP-CroSUEを提案する。
特に、各異種ソーシャルネットワークに対して、異種データ型に対するプライバシー期待の変化を捉えるために、まずハイブリッドな差分プライバシーの概念を導入する。
ユーザ埋め込みをさらに強化するため、新しいネットワーク間GCN埋め込みモデルは、それらの整列したユーザを介して、ネットワーク間で知識を伝達するように設計されている。
論文 参考訳（メタデータ） (2022-09-04T06:22:37Z) - Robustness Threats of Differential Privacy [70.818129585404]
我々は、いくつかの設定で差分プライバシーをトレーニングしたネットワークが、非プライベートバージョンに比べてさらに脆弱であることを実験的に実証した。
本研究では,勾配クリッピングや雑音付加などのニューラルネットワークトレーニングの主成分が,モデルの堅牢性に与える影響について検討する。
論文 参考訳（メタデータ） (2020-12-14T18:59:24Z) - Privacy-Preserving Synthetic Smart Meters Data [24.29870358870313]
本稿では,原典を忠実に模倣する合成電力消費サンプルを生成する方法を提案する。
本手法はGAN(Generative Adversarial Networks)に基づく。
ニューラルネットワークのトレーニングセットのメンバーに提供されるプライバシー保証について検討する。
論文 参考訳（メタデータ） (2020-12-06T16:11:16Z) - Deep Directed Information-Based Learning for Privacy-Preserving Smart
Meter Data Release [30.409342804445306]
本稿では,時系列データとスマートメータ(SM)電力消費測定の文脈における問題点について検討する。
我々は、考慮された設定において、より意味のあるプライバシーの尺度として、指向情報(DI)を導入します。
最悪のシナリオにおけるSMs測定による実世界のデータセットに関する実証的研究は、プライバシとユーティリティの既存のトレードオフを示している。
論文 参考訳（メタデータ） (2020-11-20T13:41:11Z) - Privacy Adversarial Network: Representation Learning for Mobile Data
Privacy [33.75500773909694]
モバイルユーザのためのクラウドベースのインテリジェントサービスの増加は、プロバイダに送信するユーザデータを要求している。
以前の作業では、例えばノイズを追加して識別情報を削除したり、匿名化された特徴などのデータから抽出された表現を送信したりするといった、データの難読化が行われていた。
私たちは、敵対的な学習を活用して、プライバシとユーティリティのバランスを改善する。
論文 参考訳（メタデータ） (2020-06-08T09:42:04Z)
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。