論文の概要: PMP: Privacy-Aware Matrix Profile against Sensitive Pattern Inference for Time Series

• arxiv url: http://arxiv.org/abs/2301.01838v1
• Date: Wed, 4 Jan 2023 22:11:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-06 14:35:09.837845
• Title: PMP: Privacy-Aware Matrix Profile against Sensitive Pattern Inference for Time Series
• Title（参考訳）: PMP: 時系列のパターン推論に対するプライバシ対応行列プロファイル
• Authors: Li Zhang, Jiahao Ding, Yifeng Gao, Jessica Lin
• Abstract要約: 本稿では,長文パターンに対する悪質な推論の防止という,新たなプライバシ保護問題を提案する。 マトリックスプロファイル(MP)は具体的な形状の漏洩を防止できるが,MPインデックスの正準相関はなおも感度の高い長パターンの位置を明らかにすることができる。 局所相関を摂動し,MPインデックスベクトルの正準相関を破るPMP(Privacy-Aware Matrix Profile)を提案する。
• 参考スコア（独自算出の注目度）: 12.855499575586753
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Recent rapid development of sensor technology has allowed massive fine-grained time series (TS) data to be collected and set the foundation for the development of data-driven services and applications. During the process, data sharing is often involved to allow the third-party modelers to perform specific time series data mining (TSDM) tasks based on the need of data owner. The high resolution of TS brings new challenges in protecting privacy. While meaningful information in high-resolution TS shifts from concrete point values to local shape-based segments, numerous research have found that long shape-based patterns could contain more sensitive information and may potentially be extracted and misused by a malicious third party. However, the privacy issue for TS patterns is surprisingly seldom explored in privacy-preserving literature. In this work, we consider a new privacy-preserving problem: preventing malicious inference on long shape-based patterns while preserving short segment information for the utility task performance. To mitigate the challenge, we investigate an alternative approach by sharing Matrix Profile (MP), which is a non-linear transformation of original data and a versatile data structure that supports many data mining tasks. We found that while MP can prevent concrete shape leakage, the canonical correlation in MP index can still reveal the location of sensitive long pattern. Based on this observation, we design two attacks named Location Attack and Entropy Attack to extract the pattern location from MP. To further protect MP from these two attacks, we propose a Privacy-Aware Matrix Profile (PMP) via perturbing the local correlation and breaking the canonical correlation in MP index vector. We evaluate our proposed PMP against baseline noise-adding methods through quantitative analysis and real-world case studies to show the effectiveness of the proposed method.
• Abstract（参考訳）: 近年,センサ技術の急速な開発により,データ駆動型サービスやアプリケーション開発の基礎となる細粒度時系列(TS)データの収集が可能になった。 プロセス中、データ共有は、データ所有者のニーズに基づいて、サードパーティのモデラーが特定の時系列データマイニング(tsdm)タスクを実行するためにしばしば必要となる。 TSの高解像度化は、プライバシー保護に新たな課題をもたらす。 高分解能tsの有意義な情報は、具体的な点値から局所的な形状に基づくセグメントにシフトするが、多くの研究により、長い形状に基づくパターンはより繊細な情報を含み、悪意のある第三者によって抽出され、誤用される可能性があることが判明している。 しかし、TSパターンのプライバシー問題は、プライバシ保護の文献で調査されることはめったにない。 本研究では,実用タスク性能の短区間情報を保存しながら,長文パターンに対する悪意のある推論を防止するという,新たなプライバシ保護問題を考える。 この課題を緩和するために,原データの非線形変換である行列プロファイル(mp)と,多数のデータマイニングタスクをサポートする多目的データ構造を共有することで,代替手法を検討する。 mpは具体的な形状の漏えいを防げるが,mpインデックスの正準相関は高感度な長尺パターンの位置を明らかにすることが判明した。 この観測に基づいて,MPからパターン位置を抽出するために,位置攻撃とエントロピー攻撃という2つの攻撃を設計する。 これら2つの攻撃からMPをさらに保護するために,MPインデックスベクトルの局所的相関を摂動し,正準相関を破り,プライバシ・アウェア・マトリックスプロファイル(PMP)を提案する。 提案手法の有効性を示すための定量的解析と実世界のケーススタディにより,提案手法のベースライン雑音付加法に対するPMPの評価を行った。

関連論文リスト

• PriRoAgg: Achieving Robust Model Aggregation with Minimum Privacy Leakage for Federated Learning [49.916365792036636]
  フェデレートラーニング(FL)は、大規模分散ユーザデータを活用する可能性から、最近大きな勢いを増している。 送信されたモデル更新は、センシティブなユーザ情報をリークする可能性があり、ローカルなトレーニングプロセスの集中的な制御の欠如は、モデル更新に対する悪意のある操作の影響を受けやすいグローバルモデルを残します。 我々は、Lagrange符号化計算と分散ゼロ知識証明を利用した汎用フレームワークPriRoAggを開発し、集約されたプライバシを満たすとともに、幅広いロバストな集約アルゴリズムを実行する。
  論文  参考訳（メタデータ） (2024-07-12T03:18:08Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• 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)
• Calculating the matrix profile from noisy data [3.236217153362305]
  行列プロファイル(英: matrix profile、MP)は、時系列から計算されたデータ構造であり、モチーフや不一致を見つけるのに必要なデータを符号化する。 従来の時系列データと同一データから生成したMPとの類似度をノイズデータを追加して測定する。 結果から,MP生成は少量のノイズに耐性があることが示唆されるが,ノイズの量が増えるとレジリエンスは消失する。
  論文  参考訳（メタデータ） (2023-06-16T19:41:07Z)
• SEAM: Searching Transferable Mixed-Precision Quantization Policy through Large Margin Regularization [50.04951511146338]
  混合精度量子化(MPQ)は各層に対して最適なビット幅割り当てを求めるのに時間を要する。 本稿では,小規模なプロキシデータセットを用いて効率的なMPQポリシーを効率的に検索する手法を提案する。
  論文  参考訳（メタデータ） (2023-02-14T05:47:45Z)
• MAPS: A Noise-Robust Progressive Learning Approach for Source-Free Domain Adaptive Keypoint Detection [76.97324120775475]
  クロスドメインキーポイント検出方法は、常に適応中にソースデータにアクセスする必要がある。 本稿では、ターゲット領域に十分に訓練されたソースモデルのみを提供する、ソースフリーなドメイン適応キーポイント検出について考察する。
  論文  参考訳（メタデータ） (2023-02-09T12:06:08Z)
• 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)
• Deep Directed Information-Based Learning for Privacy-Preserving Smart Meter Data Release [30.409342804445306]
  本稿では,時系列データとスマートメータ(SM)電力消費測定の文脈における問題点について検討する。 我々は、考慮された設定において、より意味のあるプライバシーの尺度として、指向情報(DI)を導入します。 最悪のシナリオにおけるSMs測定による実世界のデータセットに関する実証的研究は、プライバシとユーティリティの既存のトレードオフを示している。
  論文  参考訳（メタデータ） (2020-11-20T13:41:11Z)
• Hide-and-Seek Privacy Challenge [88.49671206936259]
  NeurIPS 2020 Hide-and-Seek Privacy Challengeは、両方の問題を解決するための新しい2トラックの競争だ。 我々の頭から頭までのフォーマットでは、新しい高品質な集中ケア時系列データセットを用いて、合成データ生成トラック(「ヒッシャー」)と患者再識別トラック(「シーカー」)の参加者が直接対決する。
  論文  参考訳（メタデータ） (2020-07-23T15:50:59Z)
• Privacy-Aware Time-Series Data Sharing with Deep Reinforcement Learning [33.42328078385098]
  時系列データ共有におけるプライバシーユーティリティトレードオフ(PUT)について検討する。 現時点でのプライバシを保存する方法は、トレースレベルでかなりの量の情報をリークする可能性がある。 我々は、ユーザの真のデータシーケンスの歪んだバージョンを、信頼できない第三者と共有することを検討する。
  論文  参考訳（メタデータ） (2020-03-04T18:47:25Z)

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。