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
- Collaborative Inference over Wireless Channels with Feature Differential Privacy [57.68286389879283]
複数の無線エッジデバイス間の協調推論は、人工知能(AI)アプリケーションを大幅に強化する可能性がある。
抽出された特徴を抽出することは、プロセス中に機密性の高い個人情報が暴露されるため、重大なプライバシーリスクをもたらす。
本稿では,ネットワーク内の各エッジデバイスが抽出された機能のプライバシを保護し,それらを中央サーバに送信して推論を行う,新たなプライバシ保存協調推論機構を提案する。
論文 参考訳（メタデータ） (2024-10-25T18:11:02Z) - 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) - Measuring Privacy Loss in Distributed Spatio-Temporal Data [26.891854386652266]
本稿では,情報提供者による位置復元攻撃に対する代替プライバシ損失を提案する。
実データと合成データに関する我々の実験は、分散環境での個人のプライバシー侵害に対する直感を反映していることを示している。
論文 参考訳（メタデータ） (2024-02-18T09:53:14Z) - 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) - 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) - 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)
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。