論文の概要: Re-pseudonymization Strategies for Smart Meter Data Are Not Robust to Deep Learning Profiling Attacks
- arxiv url: http://arxiv.org/abs/2404.03948v1
- Date: Fri, 5 Apr 2024 08:27:36 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-08 16:44:14.951133
- Title: Re-pseudonymization Strategies for Smart Meter Data Are Not Robust to Deep Learning Profiling Attacks
- Title（参考訳）: スマートメータデータの擬似化戦略は、ディープラーニングプロファイリング攻撃に対するロバストではない
- Authors: Ana-Maria Cretu, Miruna Rusu, Yves-Alexandre de Montjoye,
- Abstract要約: 本稿では,再擬似化スマートメーターデータに対する,最初のディープラーニングベースのプロファイリング攻撃を提案する。
以上の結果から,繰り返し再擬音化戦略を逆転させることが可能であることが示唆された。
- 参考スコア（独自算出の注目度）: 9.061271587514215
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Smart meters, devices measuring the electricity and gas consumption of a household, are currently being deployed at a fast rate throughout the world. The data they collect are extremely useful, including in the fight against climate change. However, these data and the information that can be inferred from them are highly sensitive. Re-pseudonymization, i.e., the frequent replacement of random identifiers over time, is widely used to share smart meter data while mitigating the risk of re-identification. We here show how, in spite of re-pseudonymization, households' consumption records can be pieced together with high accuracy in large-scale datasets. We propose the first deep learning-based profiling attack against re-pseudonymized smart meter data. Our attack combines neural network embeddings, which are used to extract features from weekly consumption records and are tailored to the smart meter identification task, with a nearest neighbor classifier. We evaluate six neural networks architectures as the embedding model. Our results suggest that the Transformer and CNN-LSTM architectures vastly outperform previous methods as well as other architectures, successfully identifying the correct household 73.4% of the time among 5139 households based on electricity and gas consumption records (54.5% for electricity only). We further show that the features extracted by the embedding model maintain their effectiveness when transferred to a set of users disjoint from the one used to train the model. Finally, we extensively evaluate the robustness of our results. Taken together, our results strongly suggest that even frequent re-pseudonymization strategies can be reversed, strongly limiting their ability to prevent re-identification in practice.
- Abstract（参考訳）: スマートメーター(スマートメーター)は、家庭の電気とガス消費を計測する装置で、現在世界中の高速な速度で展開されている。
彼らが収集したデータは、気候変動との戦いを含む非常に有用なものです。
しかし、これらのデータとそれらから推測できる情報は、非常に敏感である。
再擬似化(re-pseudonymization)、すなわちランダムな識別子の頻繁な置換は、再識別のリスクを軽減しつつ、スマートメーターデータを共有するために広く用いられている。
ここでは, 再擬似化にもかかわらず, 大規模データセットにおいて, 家庭の消費記録を高精度にまとめることができることを示す。
本稿では,再擬似化スマートメーターデータに対する,最初のディープラーニングベースのプロファイリング攻撃を提案する。
我々の攻撃は、毎週の消費記録から特徴を抽出するために使用されるニューラルネットワークの埋め込みと、近隣の分類器とを組み合わせ、スマートメーター識別タスクに適合させる。
6つのニューラルネットワークアーキテクチャを埋め込みモデルとして評価する。
以上の結果から,トランスフォーマーおよびCNN-LSTMアーキテクチャは従来手法や他のアーキテクチャよりも大幅に優れており,電気・ガス消費記録に基づく5139世帯中73.4%の正確な世帯(54.5%は電気のみ)を同定できたことが示唆された。
さらに, 組込みモデルから抽出した特徴が, モデルのトレーニングに使用した機能とは相容れないユーザ群に移動した場合, 有効性を維持することを示す。
最後に,結果の堅牢性について広範囲に評価した。
また,本研究の結果から,繰り返し行われる再匿名化戦略の逆転を強く示唆し,実際に再識別を防止できる能力の制限を強く示唆した。
関連論文リスト
- An Investigation on Machine Learning Predictive Accuracy Improvement and Uncertainty Reduction using VAE-based Data Augmentation [2.517043342442487]
深層生成学習は、特定のMLモデルを使用して、既存のデータの基盤となる分布を学習し、実際のデータに似た合成サンプルを生成する。
本研究では,変分オートエンコーダ(VAE)を用いた深部生成モデルを用いて,データ拡張の有効性を評価することを目的とする。
本研究では,拡張データを用いてトレーニングしたディープニューラルネットワーク(DNN)モデルの予測において,データ拡張が精度の向上につながるかどうかを検討した。
論文 参考訳（メタデータ） (2024-10-24T18:15:48Z) - Adaptive Sampling for Deep Learning via Efficient Nonparametric Proxies [35.29595714883275]
我々は,Nadaraya-Watson推定器に対する効率的なスケッチベース近似を開発した。
サンプリングアルゴリズムは,4つのデータセットに対して,壁面時間と精度でベースラインを上回っている。
論文 参考訳（メタデータ） (2023-11-22T18:40:18Z) - Secure short-term load forecasting for smart grids with
transformer-based federated learning [0.0]
電力負荷予測は、需要と供給収支を補助するスマートグリッドの中で不可欠なタスクである。
きめ細かい負荷プロファイルは、ユーザの消費電力の挙動を公開できるため、プライバシやセキュリティ上の懸念が高まる。
本稿では,短期電力負荷予測のためのフェデレーション学習を用いた変圧器を用いた新しい深層学習手法を提案する。
論文 参考訳（メタデータ） (2023-10-26T15:27:55Z) - A Geometrical Approach to Evaluate the Adversarial Robustness of Deep
Neural Networks [52.09243852066406]
対向収束時間スコア(ACTS)は、対向ロバストネス指標として収束時間を測定する。
我々は,大規模画像Netデータセットに対する異なる敵攻撃に対して,提案したACTSメトリックの有効性と一般化を検証する。
論文 参考訳（メタデータ） (2023-10-10T09:39:38Z) - Hybrid Transformer-RNN Architecture for Household Occupancy Detection
Using Low-Resolution Smart Meter Data [8.486902848941872]
エネルギーシステムのデジタル化は、非侵襲的な方法で占有検知に使用できるスマートメーターデータを提供する。
ディープラーニング技術により、低解像度のスマートメーターデータから占有率を推定できる。
本研究は, 住宅の占有状況を検出するための, プライバシ意識と効果的なモデルを開発することを目的としている。
論文 参考訳（メタデータ） (2023-08-27T14:13:29Z) - Autoregressive Perturbations for Data Poisoning [54.205200221427994]
ソーシャルメディアからのデータスクレイピングは、不正なデータの使用に関する懸念が高まっている。
データ中毒攻撃は、スクラップ対策として提案されている。
より広範なデータセットにアクセスせずに有毒なデータを生成できる自動回帰(AR)中毒を導入する。
論文 参考訳（メタデータ） (2022-06-08T06:24:51Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - SignalNet: A Low Resolution Sinusoid Decomposition and Estimation
Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。
基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。
シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文 参考訳（メタデータ） (2021-06-10T04:21:20Z) - TELESTO: A Graph Neural Network Model for Anomaly Classification in
Cloud Services [77.454688257702]
機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。
1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。
与えられたデータの次元変化に不変な手法を提案する。
論文 参考訳（メタデータ） (2021-02-25T14:24:49Z) - Active machine learning for spatio-temporal predictions using feature
embedding [0.537133760455631]
アクティブラーニングは、危機時予測の改善を通じて環境問題の解決に寄与する可能性がある。
本稿では,このギャップを埋める新しいバッチAL法を提案する。
候補データポイントの機能をエンコードおよびクラスタ化し、組み込み機能からクラスタセンターまでの距離に基づいて最適なデータをクエリします。
論文 参考訳（メタデータ） (2020-12-08T12:55:29Z) - Bridging Mode Connectivity in Loss Landscapes and Adversarial Robustness [97.67477497115163]
我々は、モード接続を用いて、ディープニューラルネットワークの対角的堅牢性を研究する。
実験では、異なるネットワークアーキテクチャやデータセットに適用される様々な種類の敵攻撃について取り上げる。
以上の結果から,モード接続は,敵の強靭性を評価・改善するための総合的なツールであり,実用的な手段であることが示唆された。
論文 参考訳（メタデータ） (2020-04-30T19:12:50Z)
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。