論文の概要: CATS: Conditional Adversarial Trajectory Synthesis for
Privacy-Preserving Trajectory Data Publication Using Deep Learning Approaches
- arxiv url: http://arxiv.org/abs/2309.11587v1
- Date: Wed, 20 Sep 2023 18:52:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-22 18:04:10.669739
- Title: CATS: Conditional Adversarial Trajectory Synthesis for
Privacy-Preserving Trajectory Data Publication Using Deep Learning Approaches
- Title(参考訳): CATS:ディープラーニングを用いたプライバシー保護トラジェクトリデータパブリケーションのための条件付き逆軌道合成
- Authors: Jinmeng Rao, Song Gao, Sijia Zhu
- Abstract要約: Conditional Adjectory Synthesis (CATS) は、プライバシー・時間的軌跡データ生成と公開のためのディープラーニングベースの方法論フレームワークである。
実験の結果,90k以上のGPSトラジェクトリでは,基本手法と比較して,プライバシ,特性保存,下流ユーティリティの保存性能が向上していることがわかった。
- 参考スコア(独自算出の注目度): 2.194575078433007
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The prevalence of ubiquitous location-aware devices and mobile Internet
enables us to collect massive individual-level trajectory dataset from users.
Such trajectory big data bring new opportunities to human mobility research but
also raise public concerns with regard to location privacy. In this work, we
present the Conditional Adversarial Trajectory Synthesis (CATS), a
deep-learning-based GeoAI methodological framework for privacy-preserving
trajectory data generation and publication. CATS applies K-anonymity to the
underlying spatiotemporal distributions of human movements, which provides a
distributional-level strong privacy guarantee. By leveraging conditional
adversarial training on K-anonymized human mobility matrices, trajectory global
context learning using the attention-based mechanism, and recurrent bipartite
graph matching of adjacent trajectory points, CATS is able to reconstruct
trajectory topology from conditionally sampled locations and generate
high-quality individual-level synthetic trajectory data, which can serve as
supplements or alternatives to raw data for privacy-preserving trajectory data
publication. The experiment results on over 90k GPS trajectories show that our
method has a better performance in privacy preservation, spatiotemporal
characteristic preservation, and downstream utility compared with baseline
methods, which brings new insights into privacy-preserving human mobility
research using generative AI techniques and explores data ethics issues in
GIScience.
- Abstract(参考訳): ユビキタスな位置認識デバイスとモバイルインターネットの普及により,ユーザから膨大な個人レベルの軌跡データセットを収集できる。
このような軌道上のビッグデータは、人間のモビリティ研究に新たな機会をもたらすだけでなく、位置情報のプライバシーに関する公衆の懸念も引き起こす。
本研究では、プライバシー保護トラジェクトリデータ生成と公開のためのディープラーニングベースのGeoAI方法論フレームワークであるConditional Adversarial Trajectory Synthesis (CATS)を提案する。
CATSは人間の運動の時空間分布にK匿名性を適用し、分散レベルの強いプライバシー保証を提供する。
CTSは、K-匿名化された人間の移動行列に対する条件付き逆行訓練、注目に基づくメカニズムを用いた軌跡グローバルな学習、および隣接する軌跡の2部グラフマッチングを活用することにより、条件付きサンプリングされた場所から軌道トポロジを再構築し、プライバシー保護トラジェクトリデータ公開のための原データの補足や代替となる高品質な個別レベルの合成トラジェクトリデータを生成することができる。
実験の結果,90k以上のGPSトラジェクトリでは,プライバシ保存,時空間特性保存,下流ユーティリティが基本手法よりも優れており,生成AI技術を用いたプライバシ保存人間のモビリティ研究への新たな洞察をもたらし,GIScienceにおけるデータ倫理問題を探ることができた。
関連論文リスト
- PateGail: A Privacy-Preserving Mobility Trajectory Generator with Imitation Learning [32.24962222854073]
PateGailは、人間の移動軌道を生成するための、プライバシー保護の模倣学習モデルである。
個人差別者は、実物や生成された人間の軌跡を識別し、報酬を与えるために、現地で訓練される。
我々のモデルは、5つの重要な統計指標の観点から現実世界の軌跡に似ており、最先端のアルゴリズムを48.03%以上上回っている。
論文 参考訳(メタデータ) (2024-07-23T14:59:23Z) - Mitigating the Privacy Issues in Retrieval-Augmented Generation (RAG) via Pure Synthetic Data [51.41288763521186]
Retrieval-augmented Generation (RAG)は、外部知識ソースから取得した関連情報を統合することにより、言語モデルの出力を強化する。
RAGシステムは、プライベートデータを取得する際に深刻なプライバシーリスクに直面する可能性がある。
検索データに対するプライバシー保護の代替として,合成データを用いる方法を提案する。
論文 参考訳(メタデータ) (2024-06-20T22:53:09Z) - Real-Time Trajectory Synthesis with Local Differential Privacy [29.8702251045133]
ローカルディファレンシャルプライバシ(LDP)は、プライベートなトラジェクトリストリームの収集と分析のための有望なソリューションである。
RetraSynは、ユーザの軌道ストリームからプライベートに抽出されたモビリティパターンに基づいて、オンザフライの軌道合成を行うことができる。
RetraSynの主なコンポーネントは、グローバルモビリティモデル、動的モビリティ更新機構、リアルタイム合成、適応アロケーション戦略である。
論文 参考訳(メタデータ) (2024-04-17T14:55:49Z) - 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) - 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) - Self-supervised Graph-based Point-of-interest Recommendation [66.58064122520747]
Next Point-of-Interest (POI)レコメンデーションは、ロケーションベースのeコマースにおいて重要なコンポーネントとなっている。
自己教師付きグラフ強化POIレコメンデーション(S2GRec)を次のPOIレコメンデーションのために提案する。
特に,グローバル・トランジション・グラフと局所軌道グラフの両方からの協調的な信号を組み込むために,グラフ強化セルフアテンテート・レイヤを考案した。
論文 参考訳(メタデータ) (2022-10-22T17:29:34Z) - TraND: Transferable Neighborhood Discovery for Unsupervised Cross-domain
Gait Recognition [77.77786072373942]
本稿では、教師なしクロスドメイン歩行認識のための領域ギャップを橋渡しするTransferable Neighborhood Discovery (TraND) フレームワークを提案する。
我々は、潜在空間におけるラベルなしサンプルの自信ある近傍を自動的に発見するために、エンドツーエンドのトレーニング可能なアプローチを設計する。
提案手法は,CASIA-BとOU-LPの2つの公開データセットに対して,最先端の結果を得る。
論文 参考訳(メタデータ) (2021-02-09T03:07:07Z) - LSTM-TrajGAN: A Deep Learning Approach to Trajectory Privacy Protection [2.1793134762413437]
データ共有と公開のためのプライバシー保護型合成軌道データを生成するエンド・ツー・エンドのディープラーニングモデルを提案する。
本モデルは,実世界のセマンティック・トラジェクトリ・データセット上でのトラジェクトリ・ユーザ・リンクタスクに基づいて評価される。
論文 参考訳(メタデータ) (2020-06-14T03:04:19Z) - Privacy-preserving Traffic Flow Prediction: A Federated Learning
Approach [61.64006416975458]
本稿では,フェデレート学習に基づくGated Recurrent Unit Neural Network Algorithm (FedGRU) というプライバシ保護機械学習手法を提案する。
FedGRUは、現在の集中学習方法と異なり、安全なパラメータアグリゲーション機構を通じて、普遍的な学習モデルを更新する。
FedGRUの予測精度は、先進的なディープラーニングモデルよりも90.96%高い。
論文 参考訳(メタデータ) (2020-03-19T13:07:49Z)
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。