論文の概要: FedVAE: Trajectory privacy preserving based on Federated Variational AutoEncoder
- arxiv url: http://arxiv.org/abs/2407.09239v1
- Date: Fri, 12 Jul 2024 13:10:59 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-15 23:28:21.034000
- Title: FedVAE: Trajectory privacy preserving based on Federated Variational AutoEncoder
- Title（参考訳）: FedVAE:Federated Variational AutoEncoderに基づくトラジェクティブプライバシ保護
- Authors: Yuchen Jiang, Ying Wu, Shiyao Zhang, James J. Q. Yu,
- Abstract要約: 位置情報ベースのサービス(LBS)は、位置情報に合わせてパーソナライズされたサービスを提供するために、軌跡データを活用する。
この課題に対処するため、データセット内の個人情報を保護するために、K匿名性や差分プライバシーといったプライバシ保護手法が提案されている。
本稿では,個人情報の機密性を保ち,元の特徴構造を保ちつつ,新たなトラジェクトリデータセットを効果的に生成するフェデレート変分オートエンコーダ(FedVAE)アプローチを提案する。
- 参考スコア（独自算出の注目度）: 30.787270605742883
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The use of trajectory data with abundant spatial-temporal information is pivotal in Intelligent Transport Systems (ITS) and various traffic system tasks. Location-Based Services (LBS) capitalize on this trajectory data to offer users personalized services tailored to their location information. However, this trajectory data contains sensitive information about users' movement patterns and habits, necessitating confidentiality and protection from unknown collectors. To address this challenge, privacy-preserving methods like K-anonymity and Differential Privacy have been proposed to safeguard private information in the dataset. Despite their effectiveness, these methods can impact the original features by introducing perturbations or generating unrealistic trajectory data, leading to suboptimal performance in downstream tasks. To overcome these limitations, we propose a Federated Variational AutoEncoder (FedVAE) approach, which effectively generates a new trajectory dataset while preserving the confidentiality of private information and retaining the structure of the original features. In addition, FedVAE leverages Variational AutoEncoder (VAE) to maintain the original feature space and generate new trajectory data, and incorporates Federated Learning (FL) during the training stage, ensuring that users' data remains locally stored to protect their personal information. The results demonstrate its superior performance compared to other existing methods, affirming FedVAE as a promising solution for enhancing data privacy and utility in location-based applications.
- Abstract（参考訳）: 知的交通システム(ITS)や様々な交通システムタスクにおいて,空間的情報量の多い軌跡データの利用が重要である。
位置情報ベースのサービス(LBS)は、位置情報に合わせてパーソナライズされたサービスを提供するために、このトラジェクトリデータを活用する。
しかし、この軌跡データには、ユーザの行動パターンや習慣に関する機密情報が含まれており、未知の収集者からの機密性や保護が必要である。
この課題に対処するため、データセット内の個人情報を保護するために、K匿名性や差分プライバシーといったプライバシ保護手法が提案されている。
その効果にもかかわらず、これらの手法は摂動を導入したり、非現実的な軌道データを生成することによって元の特徴に影響を与え、下流のタスクにおいて最適以下のパフォーマンスをもたらす。
これらの制約を克服するため,FedVAE (Federated Variational AutoEncoder) アプローチを提案する。
さらに、FedVAEは変分オートエンコーダ(VAE)を活用して、元の機能空間を維持し、新しいトラジェクトリデータを生成し、トレーニング段階ではフェデレートラーニング(FL)を組み込んで、ユーザのデータがローカルに保存されて個人情報を保護する。
この結果は、位置情報ベースのアプリケーションにおけるデータプライバシとユーティリティを強化するための有望なソリューションとしてFedVAEを肯定する、既存の方法と比較して、優れたパフォーマンスを示している。
関連論文リスト
- Synergizing Privacy and Utility in Data Analytics Through Advanced Information Theorization [2.28438857884398]
本稿では,高次元画像データに適したノイズ注入技術,ロバストな特徴抽出のための変分オートエンコーダ(VAE),構造化データプライバシに最適化された期待最大化(EM)アプローチの3つの高度なアルゴリズムを紹介する。
本手法は,機密属性と変換データ間の相互情報を著しく低減し,プライバシーを向上する。
この研究は、さまざまなデータタイプにまたがってプライバシ保護アルゴリズムをデプロイするための柔軟で効果的な戦略を提供することによって、この分野に貢献する。
論文 参考訳（メタデータ） (2024-04-24T22:58:42Z) - Differentially Private GANs for Generating Synthetic Indoor Location Data [0.09831489366502298]
プライバシー保護のための屋内位置データを生成するために, DPGANを用いた屋内位置推定フレームワークを提案する。
実世界の屋内ローカライゼーションデータセットを用いて,本フレームワークの性能評価を行った。
論文 参考訳（メタデータ） (2024-04-10T21:43:27Z) - FewFedPIT: Towards Privacy-preserving and Few-shot Federated Instruction Tuning [54.26614091429253]
フェデレーション・インストラクション・チューニング(FedIT)は、複数のデータ所有者間で協調的なトレーニングを統合することで、有望なソリューションである。
FedITは、インストラクショナルデータの不足や、トレーニングデータ抽出攻撃への露出リスクなどの制限に直面している。
本稿では,FewFedPITを提案する。このFewFedPITは,フェデレートされた数ショット学習のプライバシー保護とモデル性能を同時に向上する。
論文 参考訳（メタデータ） (2024-03-10T08:41:22Z) - Differentially Private Model-Based Offline Reinforcement Learning [51.1231068185106]
DP-MORLは差分プライバシーを保証するアルゴリズムである。
環境のプライベートモデルは、まずオフラインデータから学習される。
次に、モデルベースのポリシー最適化を使用して、プライベートモデルからポリシーを導出します。
論文 参考訳（メタデータ） (2024-02-08T10:05:11Z) - Personalized Federated Learning with Attention-based Client Selection [57.71009302168411]
我々は,意図に基づくクライアント選択機構を備えた新しいPFLアルゴリズムであるFedACSを提案する。
FedACSは、類似したデータ分散を持つクライアント間のコラボレーションを強化するためのアテンションメカニズムを統合している。
CIFAR10とFMNISTの実験は、FedACSの優位性を検証する。
論文 参考訳（メタデータ） (2023-12-23T03:31:46Z) - 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 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) - PS-FedGAN: An Efficient Federated Learning Framework Based on Partially
Shared Generative Adversarial Networks For Data Privacy [56.347786940414935]
分散計算のための効果的な学習パラダイムとして、フェデレートラーニング(FL)が登場した。
本研究は,部分的なGANモデル共有のみを必要とする新しいFLフレームワークを提案する。
PS-FedGANと名付けられたこの新しいフレームワークは、異種データ分散に対処するためのGANリリースおよびトレーニングメカニズムを強化する。
論文 参考訳（メタデータ） (2023-05-19T05:39:40Z) - Over-the-Air Federated Learning with Privacy Protection via Correlated
Additive Perturbations [57.20885629270732]
我々は、複数のユーザ/エージェントからエッジサーバへの勾配更新をOtA(Over-the-Air)で送信することで、無線フェデレーション学習のプライバシー面を考察する。
従来の摂動に基づく手法は、トレーニングの精度を犠牲にしてプライバシー保護を提供する。
本研究では,エッジサーバにおけるプライバシリークの最小化とモデル精度の低下を目標とする。
論文 参考訳（メタデータ） (2022-10-05T13:13:35Z) - Group privacy for personalized federated learning [4.30484058393522]
フェデレーション・ラーニング(Federated Learning)は、コラボレーティブ・機械学習の一種で、参加するクライアントがデータをローカルに処理し、コラボレーティブ・モデルの更新のみを共有する。
我々は、$d$-privacyのキープロパティを利用するグループプライバシ保証を提供する方法を提案する。
論文 参考訳（メタデータ） (2022-06-07T15:43:45Z) - 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)
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。