論文の概要: Real-Time Trajectory Synthesis with Local Differential Privacy
- arxiv url: http://arxiv.org/abs/2404.11450v1
- Date: Wed, 17 Apr 2024 14:55:49 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-18 13:35:28.182766
- Title: Real-Time Trajectory Synthesis with Local Differential Privacy
- Title（参考訳）: 局所微分プライバシーを用いた実時間軌道合成
- Authors: Yujia Hu, Yuntao Du, Zhikun Zhang, Ziquan Fang, Lu Chen, Kai Zheng, Yunjun Gao,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 29.8702251045133
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Trajectory streams are being generated from location-aware devices, such as smartphones and in-vehicle navigation systems. Due to the sensitive nature of the location data, directly sharing user trajectories suffers from privacy leakage issues. Local differential privacy (LDP), which perturbs sensitive data on the user side before it is shared or analyzed, emerges as a promising solution for private trajectory stream collection and analysis. Unfortunately, existing stream release approaches often neglect the rich spatial-temporal context information within trajectory streams, resulting in suboptimal utility and limited types of downstream applications. To this end, we propose RetraSyn, a novel real-time trajectory synthesis framework, which is able to perform on-the-fly trajectory synthesis based on the mobility patterns privately extracted from users' trajectory streams. Thus, the downstream trajectory analysis can be performed on the high-utility synthesized data with privacy protection. We also take the genuine behaviors of real-world mobile travelers into consideration, ensuring authenticity and practicality. The key components of RetraSyn include the global mobility model, dynamic mobility update mechanism, real-time synthesis, and adaptive allocation strategy. We conduct extensive experiments on multiple real-world and synthetic trajectory datasets under various location-based utility metrics, encompassing both streaming and historical scenarios. The empirical results demonstrate the superiority and versatility of our proposed framework.
- Abstract（参考訳）: 軌道ストリームは、スマートフォンや車載ナビゲーションシステムのような位置認識デバイスから生成される。
位置情報の繊細な性質のため、ユーザートラジェクトリを直接共有することは、プライバシーの漏洩問題に悩まされる。
ローカルディファレンシャルプライバシ(LDP)は、共有または分析される前にユーザ側の機密データを摂動させ、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として現れる。
残念なことに、既存のストリームリリースアプローチは、トラジェクトリストリーム内の豊富な時空間コンテキスト情報を無視することが多い。
そこで本研究では,ユーザの軌道ストリームからプライベートに抽出し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が可能な,新しいリアルタイム軌道合成フレームワークRetraSynを提案する。
これにより、プライバシー保護付き高ユーティリティ合成データに対して、下流軌道解析を行うことができる。
また,実世界の移動旅行者の真の行動も考慮し,信頼性と実用性を確保する。
RetraSynの重要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。
我々は、さまざまな位置情報ベースのユーティリティメトリクスに基づいて、複数の実世界および合成軌道データセットに関する広範な実験を行い、ストリーミングと過去のシナリオの両方を包含する。
実験結果は,提案フレームワークの優位性と汎用性を示すものである。
関連論文リスト
- Reconsidering utility: unveiling the limitations of synthetic mobility data generation algorithms in real-life scenarios [49.1574468325115]
実世界の応用性の観点から,5つの最先端合成手法の有用性を評価した。
我々は、GPS追跡タクシーのような細粒度都市の動きを符号化するいわゆる旅行データに焦点を当てる。
あるモデルは妥当な時間内にデータを生成することができず、別のモデルはマップマッチングの要件を満たすためにあまりに多くのジャンプを生成する。
論文 参考訳（メタデータ） (2024-07-03T16:08:05Z) - Synthetic location trajectory generation using categorical diffusion
models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。
本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文 参考訳（メタデータ） (2024-02-19T15:57:39Z) - 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) - Layout Sequence Prediction From Noisy Mobile Modality [53.49649231056857]
軌道予測は、自律運転やロボット工学などの応用における歩行者運動を理解する上で重要な役割を担っている。
現在の軌道予測モデルは、視覚的モダリティからの長い、完全な、正確に観察されたシーケンスに依存する。
本稿では,物体の障害物や視界外を,完全に視認できる軌跡を持つものと同等に扱う新しいアプローチであるLTrajDiffを提案する。
論文 参考訳（メタデータ） (2023-10-09T20:32:49Z) - A Privacy-Preserving Trajectory Synthesis Method Based on Vector Translation Invariance Supporting Traffic Constraints [5.178920172140948]
本稿では,トラジェクトリ間の関係に基づく集約クエリを提案し,既存の手法と比較してデータの有用性を大幅に向上させることができる。
提案手法が提案するトラジェクトリは有効性が高く,理論解析により安全かつ信頼性が高いことが示された。
論文 参考訳（メタデータ） (2023-10-08T09:35:36Z) - A Diffusion-Model of Joint Interactive Navigation [14.689298253430568]
本稿では,交通シナリオを生成する拡散に基づくDJINNを提案する。
我々のアプローチは、過去、現在、未来からのフレキシブルな状態観察のセットに基づいて、全てのエージェントの軌跡を共同で拡散させる。
本稿では,DJINNが様々な条件分布からの直接的テスト時間サンプリングを柔軟に行う方法を示す。
論文 参考訳（メタデータ） (2023-09-21T22:10:20Z) - CATS: Conditional Adversarial Trajectory Synthesis for
Privacy-Preserving Trajectory Data Publication Using Deep Learning Approaches [2.194575078433007]
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。
論文 参考訳（メタデータ） (2023-09-20T18:52:56Z) - DiffTraj: Generating GPS Trajectory with Diffusion Probabilistic Model [44.490978394267195]
軌道生成のための時空間確率モデル(DiffTraj)を提案する。
中心となる考え方は、逆軌道分解過程を通じて白いノイズから地理的軌跡を再構成し、合成することである。
2つの実世界のデータセットの実験により、DiffTrajは直感的に高忠実な軌道を生成することができることが示された。
論文 参考訳（メタデータ） (2023-04-23T08:42:45Z) - AttnMove: History Enhanced Trajectory Recovery via Attentional Network [15.685998183691655]
AttnMoveと呼ばれる新しい注目ニューラルネットワークベースのモデルを提案し、観測されていない位置を回復することによって個々の軌道を高密度化する。
本研究では,実世界の2つのデータセット上でのモデル評価を行い,最新手法と比較した性能向上を示す。
論文 参考訳（メタデータ） (2021-01-03T15:45:35Z) - Implicit Latent Variable Model for Scene-Consistent Motion Forecasting [78.74510891099395]
本稿では,センサデータから直接複雑な都市交通のシーン一貫性のある動き予測を学習することを目的とする。
我々は、シーンを相互作用グラフとしてモデル化し、強力なグラフニューラルネットワークを用いてシーンの分散潜在表現を学習する。
論文 参考訳（メタデータ） (2020-07-23T14:31:25Z) - TrajectoryNet: A Dynamic Optimal Transport Network for Modeling Cellular
Dynamics [74.43710101147849]
本稿では,動的最適輸送を実現するために,分布間の連続経路を制御するTrjectoryNetを提案する。
単細胞RNAシークエンシング(scRNA-seq)技術から得られたデータにおける細胞動態の研究において、これが特に当てはまるかを示す。
論文 参考訳（メタデータ） (2020-02-09T21:00:38Z)
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。