論文の概要: TraCS: Trajectory Collection in Continuous Space under Local Differential Privacy
- arxiv url: http://arxiv.org/abs/2412.00620v1
- Date: Sun, 01 Dec 2024 00:07:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-04 15:40:28.732439
- Title: TraCS: Trajectory Collection in Continuous Space under Local Differential Privacy
- Title（参考訳）: TraCS: ローカル差分プライバシの下での連続空間における軌道収集
- Authors: Ye Zheng, Yidan Hu,
- Abstract要約: ローカルディファレンシャルプライバシ(LDP)は、データコレクタが信頼できない場合でも、ユーザに対して証明可能なプライバシ保証を提供する。
既存の軌道収集手法は、離散的な位置空間に対してのみ LDP を保証する。
本稿では,連続空間に対する LDP を保証する2つのトラジェクトリコレクション手法を提案する。
- 参考スコア（独自算出の注目度）: 5.90975025491779
- License:
- Abstract: Trajectory collection is fundamental for location-based services but often involves sensitive information, such as a user's daily routine, raising privacy concerns. Local differential privacy (LDP) provides provable privacy guarantees for users, even when the data collector is untrusted. Existing trajectory collection methods ensure LDP only for discrete location spaces, where the number of locations affects their privacy guarantees and trajectory utility. Moreover, the location space is often naturally continuous, such as in flying and sailing trajectories, making these methods unsuitable. This paper proposes two trajectory collection methods that ensure LDP for continuous spaces: TraCS-D, which perturbs the direction and distance of locations, and TraCS-C, which perturbs the Cartesian coordinates of locations. Both methods are theoretically and experimentally analyzed for trajectory utility. TraCS can also be applied to discrete spaces by rounding perturbed locations to the nearest discrete points. It is independent of the number of locations and has only $\Theta(1)$ time complexity in each perturbation generation. Evaluation results on discrete location spaces validate this advantage and show that TraCS outperforms state-of-the-art methods with improved trajectory utility, especially for large privacy parameters.
- Abstract（参考訳）: トラジェクトリコレクションは位置情報ベースのサービスには基本的だが、ユーザの日々のルーチンなどの機密情報を伴って、プライバシ上の懸念を提起することが多い。
ローカルディファレンシャルプライバシ(LDP)は、データコレクタが信頼できない場合でも、ユーザに対して証明可能なプライバシ保証を提供する。
既存のトラジェクトリ収集手法は、位置の数がプライバシ保証やトラジェクトリユーティリティに影響を及ぼすような、離散的な位置空間に対してのみ、LCPを保証する。
さらに、位置空間は飛行や航路など自然に連続していることが多く、これらの手法は不適当である。
本稿では,連続空間におけるLDPを保証する2つのトラジェクトリコレクション手法を提案する。
どちらの手法も理論的、実験的に軌道利用のために解析される。
TraCSはまた、最も近い離散点への摂動位置を丸めることによって離散空間にも適用することができる。
位置数とは独立であり、摂動発生毎に$\Theta(1)$時間複雑さしか持たない。
離散的な位置空間における評価結果は、この利点を検証し、特に大きなプライバシパラメータにおいて、TraCSがトラジェクトリユーティリティを改善した最先端の手法よりも優れていることを示す。
関連論文リスト
- 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) - Enhancing stop location detection for incomplete urban mobility datasets [0.0]
本研究は, 位置同定のための密度に基づく手法を強化するために, 分類アルゴリズムの適用について検討する。
提案手法は,様々な時間にまたがる個別のルーチン行動を含む複数の特徴を取り入れ,個々のGPS点の局所的特徴を拡大する。
論文 参考訳（メタデータ） (2024-07-16T10:41:08Z) - 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) - 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) - DeepStay: Stay Region Extraction from Location Trajectories using Weak
Supervision [4.243592852049962]
モバイル端末は、ユーザの位置の絶え間ない追跡を可能にし、個人的関心点(POI)を推測するために、位置トラジェクトリを使用することができる。
POIを抽出する一般的な方法は、ユーザーがかなりの時間を費やしている領域を最初に識別することである。
SR抽出に対する一般的なアプローチは、教師なしまたは小規模のプライベートデータセットで評価される。
本稿では、位置軌跡を学習し、滞在領域を予測するDeepStayと呼ばれる弱い自己教師型トランスフォーマーモデルを提案する。
論文 参考訳（メタデータ） (2023-06-05T11:16:47Z) - Escaping Saddle Points with Bias-Variance Reduced Local Perturbed SGD
for Communication Efficient Nonconvex Distributed Learning [58.79085525115987]
ローカル手法は通信時間を短縮する有望なアプローチの1つである。
局所的データセットが局所的損失の滑らかさよりも小さい場合,通信の複雑さは非局所的手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-02-12T15:12:17Z) - Real-time Outdoor Localization Using Radio Maps: A Deep Learning
Approach [59.17191114000146]
LocUNet: ローカライゼーションタスクのための畳み込み、エンドツーエンドのトレーニングニューラルネットワーク(NN)。
我々は,LocUNetがユーザを最先端の精度でローカライズし,無線マップ推定における不正確性が高いことを示す。
論文 参考訳（メタデータ） (2021-06-23T17:27:04Z) - Graph-Homomorphic Perturbations for Private Decentralized Learning [64.26238893241322]
ローカルな見積もりの交換は、プライベートデータに基づくデータの推測を可能にする。
すべてのエージェントで独立して選択された摂動により、パフォーマンスが著しく低下する。
本稿では,特定のヌル空間条件に従って摂動を構成する代替スキームを提案する。
論文 参考訳（メタデータ） (2020-10-23T10:35:35Z) - A One-Pass Private Sketch for Most Machine Learning Tasks [48.17461258268463]
差別化プライバシ(DP)は、正式な証明可能な保証を通じて、プライバシとユーティリティのトレードオフを説明する魅力的なプライバシ定義である。
本稿では,回帰,分類,密度推定など,多数の機械学習タスクをサポートするプライベートスケッチを提案する。
このスケッチは,局所性に敏感なハッシュをインデックス化して,効率的なワンパスアルゴリズムで構築したランダムな一致テーブルで構成されている。
論文 参考訳（メタデータ） (2020-06-16T17:47:48Z) - Real-time Localization Using Radio Maps [59.17191114000146]
パスロスに基づく簡易かつ効果的なローカライゼーション法を提案する。
提案手法では, 受信した信号強度を, 既知の位置を持つ基地局の集合から報告する。
論文 参考訳（メタデータ） (2020-06-09T16:51:17Z) - Infostop: Scalable stop-location detection in multi-user mobility data [0.0]
本稿では、フローベースネットワークコミュニティ検出アルゴリズムInfomapを活用することにより、最先端ソリューションの限界を克服するInfostopアルゴリズムについて述べる。
本研究では,Infostopsによって検出されたユーザ数の増加と,従来のソリューションよりも時間の複雑さが遅くなることを示す。
論文 参考訳（メタデータ） (2020-03-31T17:02:19Z)
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。