論文の概要: Privacy-Aware Human Mobility Prediction via Adversarial Networks

• arxiv url: http://arxiv.org/abs/2201.07519v1
• Date: Wed, 19 Jan 2022 10:41:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-20 19:29:05.014185
• Title: Privacy-Aware Human Mobility Prediction via Adversarial Networks
• Title（参考訳）: 対向ネットワークによるプライバシを意識したヒューマンモビリティ予測
• Authors: Yuting Zhan, Alex Kyllo, Afra Mashhadi, Hamed Haddadi
• Abstract要約: 本研究では,LSTMをベースとした新たな逆方向学習機構を実装し,従来の位置情報データ(移動データ)のプライバシー保護機能表現を共有目的に実現した。 我々は,軌道再構成リスク,ユーザ再識別リスク,移動予測可能性の観点から,移動データセットのユーティリティプライバシトレードオフを定量化する。
• 参考スコア（独自算出の注目度）: 10.131895986034314
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As various mobile devices and location-based services are increasingly developed in different smart city scenarios and applications, many unexpected privacy leakages have arisen due to geolocated data collection and sharing. While these geolocated data could provide a rich understanding of human mobility patterns and address various societal research questions, privacy concerns for users' sensitive information have limited their utilization. In this paper, we design and implement a novel LSTM-based adversarial mechanism with representation learning to attain a privacy-preserving feature representation of the original geolocated data (mobility data) for a sharing purpose. We quantify the utility-privacy trade-off of mobility datasets in terms of trajectory reconstruction risk, user re-identification risk, and mobility predictability. Our proposed architecture reports a Pareto Frontier analysis that enables the user to assess this trade-off as a function of Lagrangian loss weight parameters. The extensive comparison results on four representative mobility datasets demonstrate the superiority of our proposed architecture and the efficiency of the proposed privacy-preserving features extractor. Our results show that by exploring Pareto optimal setting, we can simultaneously increase both privacy (45%) and utility (32%).
• Abstract（参考訳）: さまざまなモバイルデバイスやロケーションベースのサービスが,さまざまなスマートシティシナリオやアプリケーションで開発されるようになっているため,位置情報収集や共有によって,予期せぬプライバシリークが数多く発生している。 これらの位置情報データは、人間の移動パターンを深く理解し、様々な社会的研究課題に対処する可能性があるが、ユーザーの機密情報に対するプライバシー上の懸念は利用を制限している。 本稿では,従来の位置情報データ(移動データ)のプライバシ保護特徴表現を共有目的に達成するための表現学習を備えたLSTMベースの新しい逆数機構の設計と実装を行う。 我々は,軌道再構成リスク,ユーザ再識別リスク,移動予測可能性の観点から,移動データセットのユーティリティプライバシトレードオフを定量化する。 提案するアーキテクチャは,ラグランジアン損失重みパラメータの関数として,ユーザがこのトレードオフを評価できるパレートフロンティア解析を行う。 4つの代表的モビリティデータセットの比較結果から,提案するアーキテクチャの優位性と,提案するプライバシ保存機能抽出器の効率が示された。 その結果,paretoの最適設定を探索することで,プライバシ(45%)とユーティリティ(32%)を同時に向上できることがわかった。

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)
• HRNet: Differentially Private Hierarchical and Multi-Resolution Network for Human Mobility Data Synthesization [19.017342515321918]
  我々は,現実的な人間の移動データを合成するための新しい深層生成モデルである階層・多解ネットワーク(HRNet)を紹介した。 まず、差分プライバシーの下で人間の移動データを学習する際の重要な困難を識別する。 HRNetは、階層的なロケーションエンコーディング機構、複数解像度にわたるマルチタスク学習、プライベート事前トレーニングの3つのコンポーネントを統合している。
  論文  参考訳（メタデータ） (2024-05-13T12:56:24Z)
• 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)
• Where have you been? A Study of Privacy Risk for Point-of-Interest Recommendation [20.526071564917274]
  モビリティデータは、ロケーションベースサービス(LBS)のための機械学習(ML)モデルを構築するために使用できる。 しかし、この種のデータには、自宅や職場など、ユーザの身元に関する機密情報が含まれている可能性があるため、プライバシー漏洩のリスクが伴う。 我々は,POI(point-of-interest)レコメンデーションモデルに適したデータ抽出とメンバシップ推論攻撃を含むプライバシ攻撃スイートを設計する。
  論文  参考訳（メタデータ） (2023-10-28T06:17:52Z)
• Where you go is who you are -- A study on machine learning based semantic privacy attacks [3.259843027596329]
  本稿では,2つの攻撃シナリオ,すなわち位置分類とユーザプロファイリングを体系的に分析する。 Foursquareのデータセットと追跡データの実験は、高品質な空間情報の悪用の可能性を示している。 以上の結果から,追跡データや空間文脈データのデータベース化のリスクが指摘される。
  論文  参考訳（メタデータ） (2023-10-26T17:56:50Z)
• 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)
• PS-FedGAN: An Efficient Federated Learning Framework Based on Partially Shared Generative Adversarial Networks For Data Privacy [56.347786940414935]
  分散計算のための効果的な学習パラダイムとして、フェデレートラーニング(FL)が登場した。 本研究は,部分的なGANモデル共有のみを必要とする新しいFLフレームワークを提案する。 PS-FedGANと名付けられたこの新しいフレームワークは、異種データ分散に対処するためのGANリリースおよびトレーニングメカニズムを強化する。
  論文  参考訳（メタデータ） (2023-05-19T05:39:40Z)
• On Inferring User Socioeconomic Status with Mobility Records [61.0966646857356]
  本稿では,DeepSEIと呼ばれる,社会経済に配慮したディープモデルを提案する。 DeepSEIモデルはディープネットワークとリカレントネットワークと呼ばれる2つのネットワークを組み込んでいる。 実際の移動記録データ、POIデータ、住宅価格データについて広範な実験を行う。
  論文  参考訳（メタデータ） (2022-11-15T15:07:45Z)
• Privacy-Aware Adversarial Network in Human Mobility Prediction [11.387235721659378]
  ユーザの再識別やその他の機密性の高い推論は、位置情報データがクラウド支援アプリケーションと共有される場合、主要なプライバシー上の脅威である。 LSTMに基づく逆表現学習により、元の位置情報データのプライバシー保護機能表現を実現する。 モビリティトレースのプライバシは、限界モビリティユーティリティーのコストで、まともな保護を達成できることを示します。
  論文  参考訳（メタデータ） (2022-08-09T19:23:13Z)

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。