Fugu-MT 論文翻訳(概要): PateGail: A Privacy-Preserving Mobility Trajectory Generator with Imitation Learning

論文の概要: PateGail: A Privacy-Preserving Mobility Trajectory Generator with Imitation Learning

arxiv url: http://arxiv.org/abs/2407.16729v1
Date: Tue, 23 Jul 2024 14:59:23 GMT
ステータス: 処理完了
システム内更新日: 2024-07-25 15:54:04.449902
Title: PateGail: A Privacy-Preserving Mobility Trajectory Generator with Imitation Learning
Title（参考訳）: PateGail: 模倣学習によるプライバシ保護型モビリティトラジェクタ
Authors: Huandong Wang, Changzheng Gao, Yuchen Wu, Depeng Jin, Lina Yao, Yong Li,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 32.24962222854073
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Generating human mobility trajectories is of great importance to solve the lack of large-scale trajectory data in numerous applications, which is caused by privacy concerns. However, existing mobility trajectory generation methods still require real-world human trajectories centrally collected as the training data, where there exists an inescapable risk of privacy leakage. To overcome this limitation, in this paper, we propose PateGail, a privacy-preserving imitation learning model to generate mobility trajectories, which utilizes the powerful generative adversary imitation learning model to simulate the decision-making process of humans. Further, in order to protect user privacy, we train this model collectively based on decentralized mobility data stored in user devices, where personal discriminators are trained locally to distinguish and reward the real and generated human trajectories. In the training process, only the generated trajectories and their rewards obtained based on personal discriminators are shared between the server and devices, whose privacy is further preserved by our proposed perturbation mechanisms with theoretical proof to satisfy differential privacy. Further, to better model the human decision-making process, we propose a novel aggregation mechanism of the rewards obtained from personal discriminators. We theoretically prove that under the reward obtained based on the aggregation mechanism, our proposed model maximizes the lower bound of the discounted total rewards of users. Extensive experiments show that the trajectories generated by our model are able to resemble real-world trajectories in terms of five key statistical metrics, outperforming state-of-the-art algorithms by over 48.03%. Furthermore, we demonstrate that the synthetic trajectories are able to efficiently support practical applications, including mobility prediction and location recommendation.
Abstract（参考訳）: 人間の移動軌道の生成は、多くのアプリケーションにおける大規模な軌道データの欠如を解決する上で非常に重要である。しかし、既存の移動軌道生成手法では、実際の人間の軌道をトレーニングデータとして中心的に収集する必要がある。この制限を克服するために、我々はPateGailを提案する。PateGailは、人間の意思決定過程をシミュレートする強力な生成逆模倣学習モデルを用いて、移動軌道を生成するプライバシー保護型模倣学習モデルである。さらに、ユーザのプライバシを保護するために、ユーザデバイスに格納された分散モビリティデータに基づいて、このモデルを集合的にトレーニングする。トレーニングプロセスでは, 個人識別器に基づいて生成したトラジェクトリと報酬のみをサーバとデバイス間で共有し, そのプライバシは, 差分プライバシーを満足する理論的証明を備えた摂動機構によってさらに保存される。さらに,ヒトの意思決定プロセスをより良くモデル化するために,個人識別者から得られる報酬の新たな集約機構を提案する。提案手法は,アグリゲーション機構に基づいて得られる報酬に基づいて,割引された利用者の報酬額の上限を最大化する。大規模な実験により、我々のモデルによって生成された軌道は、5つの重要な統計指標で現実世界の軌道に似ており、最先端のアルゴリズムを48.03%以上上回る結果となった。さらに, この合成軌道は, 移動予測や位置推薦など, 実用的な応用を効果的に支援できることを示す。

関連論文リスト

Learning to Generate Pseudo Personal Mobility [19.59336507266489]
そこで我々はGeoAvatarと呼ばれる新しい人体移動発電機を提案する。我々は、個人レベルの個人情報にアクセスすることなく、異質な個人移動データを生成することに成功した。
論文参考訳（メタデータ） (2023-12-18T15:29:20Z)
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)
Segue: Side-information Guided Generative Unlearnable Examples for Facial Privacy Protection in Real World [64.4289385463226]
生成不可能な例としては、Segue: Side-information guided Generative unlearnable Exampleを提案する。転送性を向上させるために,真のラベルや擬似ラベルなどの側面情報を導入する。 JPEG圧縮、敵対的トレーニング、およびいくつかの標準的なデータ拡張に抵抗することができる。
論文参考訳（メタデータ） (2023-10-24T06:22:37Z)
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)
Dual Student Networks for Data-Free Model Stealing [79.67498803845059]
主な課題は、パラメータにアクセスせずにターゲットモデルの勾配を推定し、多様なトレーニングサンプルを生成することである。そこで本研究では,2人の学生が左右対称に学習し,学生が反対するサンプルを生成するための基準を提案する。我々の新しい最適化フレームワークは、目標モデルのより正確な勾配推定と、ベンチマーク分類データセットの精度向上を提供する。
論文参考訳（メタデータ） (2023-09-18T18:11:31Z)
Continuous Trajectory Generation Based on Two-Stage GAN [50.55181727145379]
本稿では,道路網上の連続軌道を生成するために,新たな2段階生成対向フレームワークを提案する。具体的には、A*アルゴリズムの人間の移動性仮説に基づいてジェネレータを構築し、人間の移動性について学習する。判別器では, 逐次報酬と移動ヤウ報酬を組み合わせることで, 発電機の有効性を高める。
論文参考訳（メタデータ） (2023-01-16T09:54:02Z)
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)
Don't Generate Me: Training Differentially Private Generative Models with Sinkhorn Divergence [73.14373832423156]
そこで我々はDP-Sinkhornを提案する。DP-Sinkhornは個人データからデータ分布を差分プライバシで学習するための新しいトランスポートベース生成手法である。差分的にプライベートな生成モデルを訓練するための既存のアプローチとは異なり、我々は敵の目的に頼らない。
論文参考訳（メタデータ） (2021-11-01T18:10:21Z)
PEARL: Data Synthesis via Private Embeddings and Adversarial Reconstruction Learning [1.8692254863855962]
本稿では, 深層生成モデルを用いたデータ・フレームワークを, 差分的にプライベートな方法で提案する。当社のフレームワークでは、センシティブなデータは、厳格なプライバシ保証をワンショットで行うことで衛生化されています。提案手法は理論的に性能が保証され,複数のデータセットに対する経験的評価により,提案手法が適切なプライバシーレベルで他の手法よりも優れていることが示された。
論文参考訳（メタデータ） (2021-06-08T18:00:01Z)
Reward Conditioned Neural Movement Primitives for Population Based Variational Policy Optimization [4.559353193715442]
本稿では,教師あり学習における報酬に基づく政策探索問題について考察する。本手法は, 最先端のロボット強化学習法と比較して, 学習の進歩と, サンプル効率の大幅な向上を図っている。
論文参考訳（メタデータ） (2020-11-09T09:53:37Z)
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。