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
- 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 [21.29797260544524]
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。
これらの攻撃は、モビリティデータからさまざまな種類の機密情報を抽出することを目的としており、POIレコメンデーションモデルに対する全体的なプライバシーリスク評価を提供する。
また、プライバシー攻撃の影響を受けやすいモビリティデータの種類を理解するために、ユニークな知見も提示する。
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) - On-device modeling of user's social context and familiar places from
smartphone-embedded sensor data [7.310043452300736]
本稿では,ユーザの社会的状況や位置を直接モバイルデバイス上でモデル化する,教師なしで軽量なアプローチを提案する。
ソーシャルなコンテキストにおいて、このアプローチはユーザーとそのデバイス間の物理的およびサイバーなソーシャルインタラクションのデータを利用する。
提案手法の有効性は,実世界の5つのデータセットを用いた3つの実験によって実証された。
論文 参考訳(メタデータ) (2023-06-27T12:53:14Z) - 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) - 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) - 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) - On-device modeling of user's social context and familiar places from
smartphone-embedded sensor data [7.310043452300736]
ユーザの社会的文脈とその位置をモデル化するための,新しい,教師なし,軽量なアプローチを提案する。
ユーザとそのデバイス間の物理的およびサイバー的ソーシャルインタラクションに関連するデータを活用する。
日常の状況を認識するための3つの機械学習アルゴリズムの性能を示す。
論文 参考訳(メタデータ) (2022-05-18T08:32:26Z) - 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)
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。