論文の概要: Privacy-Aware Adversarial Network in Human Mobility Prediction
- arxiv url: http://arxiv.org/abs/2208.05009v1
- Date: Tue, 9 Aug 2022 19:23:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-11 13:23:35.218043
- Title: Privacy-Aware Adversarial Network in Human Mobility Prediction
- Title(参考訳): 人間移動予測におけるプライバシ・アウェア・アドバイザラル・ネットワーク
- Authors: Yuting Zhan, Hamed Haddadi, Afra Mashhadi
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 11.387235721659378
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As 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. User
re-identification and other sensitive inferences are major privacy threats when
geolocated data are shared with cloud-assisted applications. Significantly,
four spatio-temporal points are enough to uniquely identify 95\% of the
individuals, which exacerbates personal information leakages. To tackle
malicious purposes such as user re-identification, we propose an LSTM-based
adversarial mechanism with representation learning to attain a
privacy-preserving feature representation of the original geolocated data
(i.e., mobility data) for a sharing purpose. These representations aim to
maximally reduce the chance of user re-identification and full data
reconstruction with a minimal utility budget (i.e., loss). We train the
mechanism by quantifying privacy-utility trade-off of mobility datasets in
terms of trajectory reconstruction risk, user re-identification risk, and
mobility predictability. We report an exploratory analysis that enables the
user to assess this trade-off with a specific loss function and its weight
parameters. The extensive comparison results on four representative mobility
datasets demonstrate the superiority of our proposed architecture in mobility
privacy protection and the efficiency of the proposed privacy-preserving
features extractor. We show that the privacy of mobility traces attains decent
protection at the cost of marginal mobility utility. Our results also show that
by exploring the Pareto optimal setting, we can simultaneously increase both
privacy (45%) and utility (32%).
- Abstract(参考訳): 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きており,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。
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。
重要なことに、4つの時空間ポイントは、個人情報漏洩を悪化させる95%の個人をユニークに識別するのに十分である。
ユーザ再識別などの悪質な目的に対処するため,LSTMに基づく表現学習機構を提案し,共有目的のために,元の位置情報データ(モビリティデータ)のプライバシ保護特徴表現を実現する。
これらの表現は、最小限の実用予算(すなわち損失)でユーザ再識別と完全なデータ再構成の可能性を最大限に削減することを目的としている。
モビリティデータセットのプライバシ利用性トレードオフを、軌道復元リスク、ユーザ再識別リスク、モビリティ予測可能性の観点から定量化することで、メカニズムをトレーニングする。
我々は,このトレードオフを特定の損失関数とその重みパラメータで評価できる探索分析を報告する。
4つの代表的モビリティデータセットの比較結果から,提案するモビリティプライバシ保護におけ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性が示された。
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適切な保護を達成できることを示す。
また,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を示した。
関連論文リスト
- Visual Privacy Auditing with Diffusion Models [52.866433097406656]
本稿では,拡散モデル(DM)に基づくリコンストラクション攻撃を提案する。
本研究では,(1)実世界のデータ漏洩が再建の成功に大きく影響すること,(2)現在のリビルド境界がデータ先行によるリスクをうまくモデル化していないこと,(3)DMは,プライバシー漏洩を可視化するための効果的な監査ツールとして機能すること,を示す。
論文 参考訳(メタデータ) (2024-03-12T12:18:55Z) - 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) - TeD-SPAD: Temporal Distinctiveness for Self-supervised
Privacy-preservation for video Anomaly Detection [59.04634695294402]
人間の監視のないビデオ異常検出(VAD)は複雑なコンピュータビジョンタスクである。
VADのプライバシー漏洩により、モデルは人々の個人情報に関連する不必要なバイアスを拾い上げ、増幅することができる。
本稿では,視覚的プライベート情報を自己管理的に破壊する,プライバシーに配慮したビデオ異常検出フレームワークTeD-SPADを提案する。
論文 参考訳(メタデータ) (2023-08-21T22:42:55Z) - A Trajectory K-Anonymity Model Based on Point Density and Partition [0.0]
本稿では点密度と分割(K PDP)に基づく軌道K匿名性モデルを開発する。
再識別攻撃に抵抗し、k匿名データセットのデータユーティリティ損失を低減する。
論文 参考訳(メタデータ) (2023-07-31T17:10:56Z) - How Do Input Attributes Impact the Privacy Loss in Differential Privacy? [55.492422758737575]
DPニューラルネットワークにおけるオブジェクトごとの規範と個人のプライバシ損失との関係について検討する。
プライバシ・ロス・インプット・サセプティビリティ(PLIS)と呼ばれる新しい指標を導入し、被験者のプライバシ・ロスを入力属性に適応させることを可能にした。
論文 参考訳(メタデータ) (2022-11-18T11:39:03Z) - DP2-Pub: Differentially Private High-Dimensional Data Publication with
Invariant Post Randomization [58.155151571362914]
本稿では,2つのフェーズで動作する差分プライベートな高次元データパブリッシング機構(DP2-Pub)を提案する。
属性をクラスタ内凝集度の高い低次元クラスタに分割し、クラスタ間の結合度を低くすることで、適切なプライバシ予算を得ることができる。
また、DP2-Pubメカニズムを、ローカルの差分プライバシーを満たす半正直なサーバでシナリオに拡張します。
論文 参考訳(メタデータ) (2022-08-24T17:52:43Z) - Privacy-Aware Human Mobility Prediction via Adversarial Networks [10.131895986034314]
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。
論文 参考訳(メタデータ) (2022-01-19T10:41:10Z) - Privacy-Utility Trades in Crowdsourced Signal Map Obfuscation [20.58763760239068]
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。
論文 参考訳(メタデータ) (2022-01-13T03:46:22Z) - Graph-Homomorphic Perturbations for Private Decentralized Learning [64.26238893241322]
ローカルな見積もりの交換は、プライベートデータに基づくデータの推測を可能にする。
すべてのエージェントで独立して選択された摂動により、パフォーマンスが著しく低下する。
本稿では,特定のヌル空間条件に従って摂動を構成する代替スキームを提案する。
論文 参考訳(メタデータ) (2020-10-23T10:35:35Z) - PGLP: Customizable and Rigorous Location Privacy through Policy Graph [68.3736286350014]
我々はPGLPと呼ばれる新しい位置プライバシーの概念を提案し、カスタマイズ可能で厳格なプライバシー保証を備えたプライベートロケーションをリリースするためのリッチなインターフェースを提供する。
具体的には,ユーザの位置プライバシー要件を,表現的かつカスタマイズ可能なテキスト配置ポリシーグラフを用いて形式化する。
第3に、位置露光の検出、ポリシーグラフの修復、およびカスタマイズ可能な厳格な位置プライバシーを備えたプライベートな軌跡リリースをパイプライン化する、プライベートな位置トレースリリースフレームワークを設計する。
論文 参考訳(メタデータ) (2020-05-04T04:25:59Z)
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。