論文の概要: ST-DPGAN: A Privacy-preserving Framework for Spatiotemporal Data Generation

• arxiv url: http://arxiv.org/abs/2406.03404v1
• Date: Tue, 4 Jun 2024 04:43:54 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-06 17:31:45.572540
• Title: ST-DPGAN: A Privacy-preserving Framework for Spatiotemporal Data Generation
• Title（参考訳）: ST-DPGAN:時空間データ生成のためのプライバシー保護フレームワーク
• Authors: Wei Shao, Rongyi Zhu, Cai Yang, Chandra Thapa, Muhammad Ejaz Ahmed, Seyit Camtepe, Rui Zhang, DuYong Kim, Hamid Menouar, Flora D. Salim,
• Abstract要約: プライバシー保護データを生成するグラフモデルを提案する。 3つの実時間データセットを用いて実験を行い,本モデルの有効性を検証した。 生成されたデータに基づいてトレーニングされた予測モデルは、元のデータでトレーニングされたモデルと比較して、競争力のあるエッジを維持している。
• 参考スコア（独自算出の注目度）: 19.18074489351738
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spatiotemporal data is prevalent in a wide range of edge devices, such as those used in personal communication and financial transactions. Recent advancements have sparked a growing interest in integrating spatiotemporal analysis with large-scale language models. However, spatiotemporal data often contains sensitive information, making it unsuitable for open third-party access. To address this challenge, we propose a Graph-GAN-based model for generating privacy-protected spatiotemporal data. Our approach incorporates spatial and temporal attention blocks in the discriminator and a spatiotemporal deconvolution structure in the generator. These enhancements enable efficient training under Gaussian noise to achieve differential privacy. Extensive experiments conducted on three real-world spatiotemporal datasets validate the efficacy of our model. Our method provides a privacy guarantee while maintaining the data utility. The prediction model trained on our generated data maintains a competitive performance compared to the model trained on the original data.
• Abstract（参考訳）: 時空間データは、個人通信や金融取引など、幅広いエッジデバイスで広く使われている。 近年の進歩により、時空間分析と大規模言語モデルの統合への関心が高まっている。 しかし、時空間データにはセンシティブな情報が含まれており、オープンなサードパーティアクセスには適さない。 この課題に対処するために、プライバシー保護された時空間データを生成するグラフGANモデルを提案する。 本手法は, 判別器における空間的, 時間的注意ブロックと, ジェネレータにおける時空間デコンボリューション構造を取り入れたものである。 これらの強化により、ガウスノイズ下での効率的なトレーニングにより、差分プライバシーを実現することができる。 3つの実世界の時空間データセットで実施した大規模な実験により,本モデルの有効性が検証された。 データユーティリティを維持しながらプライバシを保証します。 生成したデータに基づいてトレーニングされた予測モデルは、元のデータでトレーニングされたモデルと比較して、競争性能を保っている。

関連論文リスト

• HSTFL: A Heterogeneous Federated Learning Framework for Misaligned Spatiotemporal Forecasting [6.00534246138727]
  異種時空間学習(HSTFL)フレームワークを提案し、複数のクライアントが異なるドメインからの時系列データを活用できるようにする。 我々は,HSTFLが推論攻撃に効果的に抵抗するだけでなく,様々なベースラインに対して顕著な改善をもたらすことを示した。
  論文  参考訳（メタデータ） (2024-09-27T06:51:11Z)
• KIPPS: Knowledge infusion in Privacy Preserving Synthetic Data Generation [0.0]
  生成的ディープラーニングモデルは、ドメイン制約のある離散的および非ガウス的特徴をモデル化するのに苦労する。 生成モデルは、プライバシーリスクであるセンシティブな機能を繰り返す合成データを生成する。 本稿では,知識グラフから知識グラフにドメインと規則的知識を注入する新しいモデルKIPPSを提案する。
  論文  参考訳（メタデータ） (2024-09-25T19:50:03Z)
• Differentially Private Spatiotemporal Trajectory Synthesis with Retained Data Utility [0.3277163122167433]
  DP-STTSは差分プライベートシンセサイザーである。 ノイズモデルから合成軌道を生成する。 実験では、DP-STTSが優れたデータユーティリティを提供することを示す。
  論文  参考訳（メタデータ） (2024-08-23T05:17:36Z)
• 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)
• Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
  EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。 時間間隔推定を組み込んだ拡散モデルである。 我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
  論文  参考訳（メタデータ） (2024-06-20T02:20:23Z)
• 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)
• Federated Learning Empowered by Generative Content [55.576885852501775]
  フェデレートラーニング(FL)は、プライバシ保護方法でモデルのトレーニングに分散プライベートデータを活用可能にする。 本稿では,FedGCと呼ばれる新しいFLフレームワークを提案する。 我々は、さまざまなベースライン、データセット、シナリオ、モダリティをカバーする、FedGCに関する体系的な実証的研究を行う。
  論文  参考訳（メタデータ） (2023-12-10T07:38:56Z)
• 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)
• Private Set Generation with Discriminative Information [63.851085173614]
  異なるプライベートなデータ生成は、データプライバシの課題に対する有望な解決策である。 既存のプライベートな生成モデルは、合成サンプルの有用性に苦慮している。 我々は,最先端アプローチのサンプルユーティリティを大幅に改善する,シンプルで効果的な手法を提案する。
  論文  参考訳（メタデータ） (2022-11-07T10:02:55Z)
• P3GM: Private High-Dimensional Data Release via Privacy Preserving Phased Generative Model [23.91327154831855]
  本稿では,プライバシ保護型位相生成モデル(P3GM)を提案する。 P3GMは2段階の学習プロセスを採用し、ノイズに対して堅牢にし、学習効率を向上させる。 最先端の手法と比較して、生成したサンプルはノイズが少なく、データ多様性の観点からも元のデータに近いように見える。
  論文  参考訳（メタデータ） (2020-06-22T09:47:54Z)
• A Critical Overview of Privacy-Preserving Approaches for Collaborative Forecasting [0.0]
  異なるデータ所有者間の協力は、予測品質の改善につながる可能性がある。 ビジネス上の競争要因と個人データ保護の問題から、データ所有者はデータの共有を望まないかもしれない。 本稿では、現状を解析し、データプライバシを保証する既存の方法の欠点をいくつか明らかにする。
  論文  参考訳（メタデータ） (2020-04-20T20:21:04Z)

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。