論文の概要: Evaluating Privacy Measures for Load Hiding

• arxiv url: http://arxiv.org/abs/2408.06460v1
• Date: Mon, 12 Aug 2024 19:21:34 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-14 19:27:43.745659
• Title: Evaluating Privacy Measures for Load Hiding
• Title（参考訳）: 負荷低減のためのプライバシ対策の評価
• Authors: Vadim Arzamasov, Klemens Böhm,
• Abstract要約: スマートグリッドでは、家庭レベルでの電力消費を測定するためにスマートメーターを使用すると、プライバシー上の懸念が高まる。 これらのアルゴリズムがいかにプライバシーを保っているかを比較するために、様々なプライバシー対策が提案されている。 現在、どのプライバシー対策が最も適しているかについては合意が得られていない。
• 参考スコア（独自算出の注目度）: 4.611677000483348
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: In smart grids, the use of smart meters to measure electricity consumption at a household level raises privacy concerns. To address them, researchers have designed various load hiding algorithms that manipulate the electricity consumption measured. To compare how well these algorithms preserve privacy, various privacy measures have been proposed. However, there currently is no consensus on which privacy measure is most appropriate to use. In this study, we aim to identify the most effective privacy measure(s) for load hiding algorithms. We have crafted a series of experiments to assess the effectiveness of these measures. found 20 of the 25 measures studied to be ineffective. Next, focused on the well-known "appliance usage" secret, we have designed synthetic data to find the measure that best deals with this secret. We observe that such a measure, a variant of mutual information, actually exists.
• Abstract（参考訳）: スマートグリッドでは、家庭レベルでの電力消費を測定するためにスマートメーターを使用すると、プライバシー上の懸念が高まる。 これを解決するために、研究者は測定した電力消費を操作する様々な負荷隠蔽アルゴリズムを設計した。 これらのアルゴリズムがいかにプライバシーを保っているかを比較するために、様々なプライバシー対策が提案されている。 しかし、どのプライバシー対策が最も適しているかについては、現時点では合意が得られていない。 本研究では,負荷隠蔽アルゴリズムにおける最も効果的なプライバシ尺度を同定することを目的とする。 我々は,これらの測定の有効性を評価するために,一連の実験を行った。 研究対象の25項目のうち20項目が 有効でないことが分かりました 次に、よく知られた「アプライアンス・ユース・シークレット」に注目し、このシークレットを最もよく扱う尺度を見つけるために合成データを設計した。 相互情報の変種であるそのような尺度が実際に存在することを観察する。

関連論文リスト

• Masked Differential Privacy [64.32494202656801]
  本稿では,差分プライバシーを適用した機密領域を制御できる「マスク型差分プライバシー(DP)」という効果的なアプローチを提案する。 提案手法はデータに基づいて選択的に動作し,DPアプリケーションや差分プライバシーをデータサンプル内の他のプライバシー技術と組み合わせることなく,非感性時間領域を定義できる。
  論文  参考訳（メタデータ） (2024-10-22T15:22:53Z)
• Defining 'Good': Evaluation Framework for Synthetic Smart Meter Data [14.779917834583577]
  スマートメーターデータセットのプライバシーリスクを評価するには,標準プライバシ攻撃手法が不十分であることを示す。 本稿では,トレーニングデータを不確実なアウトレーラで注入し,それらのアウトレーラに直接プライバシ攻撃を発生させる手法を提案する。
  論文  参考訳（メタデータ） (2024-07-16T14:41:27Z)
• Collection, usage and privacy of mobility data in the enterprise and public administrations [55.2480439325792]
  個人のプライバシーを守るためには、匿名化などのセキュリティ対策が必要である。 本研究では,現場における実践の洞察を得るために,専門家によるインタビューを行った。 我々は、一般的には最先端の差分プライバシー基準に準拠しない、使用中のプライバシー強化手法を調査した。
  論文  参考訳（メタデータ） (2024-07-04T08:29:27Z)
• Theoretically Principled Federated Learning for Balancing Privacy and Utility [61.03993520243198]
  モデルパラメータを歪ませることでプライバシを保護する保護機構の一般学習フレームワークを提案する。 フェデレートされた学習における各コミュニケーションラウンドにおいて、各クライアント上の各モデルパラメータに対して、パーソナライズされたユーティリティプライバシトレードオフを実現することができる。
  論文  参考訳（メタデータ） (2023-05-24T13:44:02Z)
• No Free Lunch in "Privacy for Free: How does Dataset Condensation Help Privacy" [75.98836424725437]
  データプライバシを保護するために設計された新しい手法は、慎重に精査する必要がある。 プライバシ保護の失敗は検出し難いが,プライバシ保護法を実装したシステムが攻撃された場合,破滅的な結果につながる可能性がある。
  論文  参考訳（メタデータ） (2022-09-29T17:50:23Z)
• Algorithms with More Granular Differential Privacy Guarantees [65.3684804101664]
  我々は、属性ごとのプライバシー保証を定量化できる部分微分プライバシー(DP)について検討する。 本研究では,複数の基本データ分析および学習タスクについて検討し,属性ごとのプライバシパラメータが個人全体のプライバシーパラメータよりも小さい設計アルゴリズムについて検討する。
  論文  参考訳（メタデータ） (2022-09-08T22:43:50Z)
• Fully Adaptive Composition in Differential Privacy [53.01656650117495]
  よく知られた高度な合成定理は、基本的なプライバシー構成が許すよりも、プライベートデータベースを2倍にクエリすることができる。 アルゴリズムとプライバシパラメータの両方を適応的に選択できる完全適応型合成を導入する。 適応的に選択されたプライバシパラメータが許されているにもかかわらず、定数を含む高度なコンポジションのレートに適合するフィルタを構築します。
  論文  参考訳（メタデータ） (2022-03-10T17:03:12Z)
• Privacy-Preserving Synthetic Smart Meters Data [24.29870358870313]
  本稿では,原典を忠実に模倣する合成電力消費サンプルを生成する方法を提案する。 本手法はGAN(Generative Adversarial Networks)に基づく。 ニューラルネットワークのトレーニングセットのメンバーに提供されるプライバシー保証について検討する。
  論文  参考訳（メタデータ） (2020-12-06T16:11:16Z)
• Deep Directed Information-Based Learning for Privacy-Preserving Smart Meter Data Release [30.409342804445306]
  本稿では,時系列データとスマートメータ(SM)電力消費測定の文脈における問題点について検討する。 我々は、考慮された設定において、より意味のあるプライバシーの尺度として、指向情報(DI)を導入します。 最悪のシナリオにおけるSMs測定による実世界のデータセットに関する実証的研究は、プライバシとユーティリティの既存のトレードオフを示している。
  論文  参考訳（メタデータ） (2020-11-20T13:41:11Z)
• Avoiding Occupancy Detection from Smart Meter using Adversarial Machine Learning [0.7106986689736826]
  本稿では,アタックとしてAdversarial Machine Learning Occupancy Detection Avoidance (AMLODA) フレームワークを導入する。 基本的に、提案するプライバシー保護フレームワークは、リアルタイムまたはほぼリアルタイムの電力使用情報を隠すように設計されている。 以上の結果から,提案手法はユーザのプライバシを強く支持することを示す。
  論文  参考訳（メタデータ） (2020-10-23T20:02:48Z)
• Privacy for Rescue: A New Testimony Why Privacy is Vulnerable In Deep Models [6.902994369582068]
  エッジクラウドシステム実行モデルにおけるプライバシ保護問題の形式的定義を示す。 我々は最先端の手法を分析し、それらの手法の欠点を指摘する。 本稿では,プライバシー保護手法の有効性を評価するために,より正確な2つの指標を提案する。
  論文  参考訳（メタデータ） (2019-12-31T15:55:03Z)

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。