論文の概要: Learning Location from Shared Elevation Profiles in Fitness Apps: A Privacy Perspective

• arxiv url: http://arxiv.org/abs/2210.15529v1
• Date: Thu, 27 Oct 2022 15:15:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-28 16:16:20.464993
• Title: Learning Location from Shared Elevation Profiles in Fitness Apps: A Privacy Perspective
• Title（参考訳）: フィットネスアプリの共有標高プロファイルから位置情報を学習する:プライバシーの観点から
• Authors: Ulku Meteriz-Yildiran and Necip Fazil Yildiran and Joongheon Kim and David Mohaisen
• Abstract要約: 本研究では,ユーザの位置を予測するために,標高プロファイルがどの程度用いられるかを検討する。 我々は、ターゲットの市や区を予測できる3つの確実な脅威設定を考案する。 我々は59.59%から99.80%の予測成功率を達成した。
• 参考スコア（独自算出の注目度）: 14.886240385518716
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The extensive use of smartphones and wearable devices has facilitated many useful applications. For example, with Global Positioning System (GPS)-equipped smart and wearable devices, many applications can gather, process, and share rich metadata, such as geolocation, trajectories, elevation, and time. For example, fitness applications, such as Runkeeper and Strava, utilize the information for activity tracking and have recently witnessed a boom in popularity. Those fitness tracker applications have their own web platforms and allow users to share activities on such platforms or even with other social network platforms. To preserve the privacy of users while allowing sharing, several of those platforms may allow users to disclose partial information, such as the elevation profile for an activity, which supposedly would not leak the location of the users. In this work, and as a cautionary tale, we create a proof of concept where we examine the extent to which elevation profiles can be used to predict the location of users. To tackle this problem, we devise three plausible threat settings under which the city or borough of the targets can be predicted. Those threat settings define the amount of information available to the adversary to launch the prediction attacks. Establishing that simple features of elevation profiles, e.g., spectral features, are insufficient, we devise both natural language processing (NLP)-inspired text-like representation and computer vision-inspired image-like representation of elevation profiles, and we convert the problem at hand into text and image classification problem. We use both traditional machine learning- and deep learning-based techniques and achieve a prediction success rate ranging from 59.59\% to 99.80\%. The findings are alarming, highlighting that sharing elevation information may have significant location privacy risks.
• Abstract（参考訳）: スマートフォンやウェアラブル機器の広範な使用は、多くの有用なアプリケーションを促進してきた。 例えば、gps(global positioning system)を搭載したスマートおよびウェアラブルデバイスでは、多くのアプリケーションが位置情報、軌道、高度、時間といった豊富なメタデータを収集、処理、共有することができる。 例えば、RunkeeperやStravaといったフィットネスアプリケーションは、アクティビティ追跡にその情報を利用し、最近人気が高まっているのを目撃している。 これらのフィットネストラッカーアプリケーションには独自のWebプラットフォームがあり、ユーザーはそのようなプラットフォームや他のソーシャルネットワークプラットフォームとアクティビティを共有できる。 共有を許可しながらユーザのプライバシーを維持するために、いくつかのプラットフォームでは、ユーザの位置を漏洩しないと思われるアクティビティの高度プロファイルなどの部分的な情報を開示することができる。 本研究では, 利用者の位置を推定するために, 高度プロファイルがどの程度利用できるかを検証した概念実証を, 注意深い物語として作成する。 この問題に対処するために、ターゲットの市町村を予測できる3つの確実な脅威設定を考案した。 これらの脅威設定は、敵が予測攻撃を開始するために利用できる情報量を定義する。 標高プロファイルの単純な特徴、例えばスペクトル特徴が不十分であることを立証し、自然言語処理(nlp)に触発されたテキスト様表現とコンピュータビジョンに触発された標高プロファイルのイメージ様表現の両方を考案し、手前の問題をテキストと画像の分類問題に変換する。 従来の機械学習とディープラーニングベースの技術の両方を使用し、59.59\%から99.80\%までの予測成功率を達成する。 標高情報を共有することは、位置情報のプライバシーに重大なリスクがある可能性があることを強調する。

関連論文リスト

• SoMeR: Multi-View User Representation Learning for Social Media [1.7949335303516192]
  本稿では,ソーシャルメディアのユーザ表現学習フレームワークであるSoMeRを提案する。 SoMeRは、ユーザ投稿ストリームをタイムスタンプ付きテキスト機能のシーケンスとしてエンコードし、トランスフォーマーを使用してプロファイルデータと共にそれを埋め込み、リンク予測とコントラスト学習の目標を共同でトレーニングする。 1)類似コンテンツを同時に投稿するユーザを検出することによって、協調的な影響操作に関わる不正確なアカウントを同定し、2)異なる信念を持つユーザがより遠くへ移動する様子を定量化して、主要なイベント後のオンライン議論における偏光の増大を測定する。
  論文  参考訳（メタデータ） (2024-05-02T22:26:55Z)
• 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)
• Privacy-Preserving Representations are not Enough -- Recovering Scene Content from Camera Poses [63.12979986351964]
  既存のプライバシ保護ローカライゼーションの取り組みは、クラウドベースのサービスにアクセス可能な攻撃者に対して防御することを目的としている。 攻撃者は、単にローカライズサービスに問い合わせるだけで、アクセスすることなくシーンの詳細を知ることができることを示す。
  論文  参考訳（メタデータ） (2023-05-08T10:25:09Z)
• One Size Does not Fit All: Quantifying the Risk of Malicious App Encounters for Different Android User Profiles [18.58456177992614]
  ユーザコミュニティ全体でマルウェアに遭遇するリスクを,大規模に定量的に分析する。 私たちの調査の核心は、1200万のAndroidモバイルデバイスから収集されたアプリのインストールログのデータセットです。 以上の結果から,一大保護ソリューションが不十分であることが確認された。
  論文  参考訳（メタデータ） (2023-01-18T07:31:41Z)
• Data Leakage via Access Patterns of Sparse Features in Deep Learning-based Recommendation Systems [10.657479921108287]
  最先端のレコメンデーションモデルは、ユーザのプロファイル情報を表現するために、疎密な機能に依存している。 本稿では、レコメンデーションモデルのスパースな特徴アクセスパターンを追跡することによって学習される可能性のあるプライベート情報について検討する。
  論文  参考訳（メタデータ） (2022-12-12T22:05:46Z)
• OPOM: Customized Invisible Cloak towards Face Privacy Protection [58.07786010689529]
  我々は、新しいタイプのカスタマイズクロークに基づく技術の観点から、顔のプライバシ保護について検討する。 本研究では,個人固有の(クラスワイドな)ユニバーサルマスクを生成するために,1人1マスク(OPOM)という新しい手法を提案する。 提案手法の有効性を,共通データセットと有名データセットの両方で評価した。
  論文  参考訳（メタデータ） (2022-05-24T11:29:37Z)
• ASHA: Assistive Teleoperation via Human-in-the-Loop Reinforcement Learning [91.58711082348293]
  オンラインユーザからのフィードバックからシステムのパフォーマンスに関する強化学習は、この問題に対する自然な解決策である。 このアプローチでは、特にフィードバックが不足している場合には、ループ内の大量のトレーニングデータが必要になる傾向があります。 疎いユーザフィードバックから効率的に学習する階層型ソリューションを提案する。
  論文  参考訳（メタデータ） (2022-02-05T02:01:19Z)
• Attribute Inference Attack of Speech Emotion Recognition in Federated Learning Settings [56.93025161787725]
  Federated Learning(FL)は、クライアントをコーディネートして、ローカルデータを共有せずにモデルを協調的にトレーニングする分散機械学習パラダイムである。 本稿では,共有勾配やモデルパラメータからクライアントの機密属性情報を推測する属性推論攻撃フレームワークを提案する。 FLを用いて学習したSERシステムに対して,属性推論攻撃が達成可能であることを示す。
  論文  参考訳（メタデータ） (2021-12-26T16:50:42Z)
• Statistical Feature-based Personal Information Detection in Mobile Network Traffic [13.568975395946433]
  本稿では、交通における個人情報の発生パターンを統計的に表現するために、個人情報の統計的特徴を設計する。 検出器は機械学習アルゴリズムに基づいてトレーニングされ、同様のパターンで潜在的な個人情報を検出する。 われわれの知る限りでは、統計的特徴に基づいて個人情報を検出するのはこれが初めてだ。
  論文  参考訳（メタデータ） (2021-12-23T04:01:16Z)
• 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)
• Know Your Surroundings: Exploiting Scene Information for Object Tracking [181.1750279330811]
  現在の最先端トラッカーは、各フレーム内のオブジェクトをローカライズするためにターゲットの外観モデルのみに依存している。 本研究では,トラッキングにシーン情報を利用する新しいトラッキングアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-03-24T17:59:04Z)

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。