論文の概要: TraCS: Trajectory Collection in Continuous Space under Local Differential Privacy
- arxiv url: http://arxiv.org/abs/2412.00620v2
- Date: Mon, 03 Nov 2025 19:21:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-05 20:56:28.969559
- 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: 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,ユーザの日常活動などのセンシティブな情報を扱うことが多い。
局所微分プライバシー(LDP)に基づく既存のトラジェクトリ収集手法は、離散的な位置空間に限られる。
位置の方向と距離を摂動する TraCS-D と、位置のカルト座標を摂動する TraCS-C の2つの新しい手法を提案する。
- 参考スコア（独自算出の注目度）: 3.802907024025868
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Trajectory collection is fundamental for location-based services but often involves sensitive information, such as users' daily activities, raising significant privacy concerns. Local Differential Privacy (LDP) provides strong privacy guarantees for users, even when the data collector is untrusted. Existing trajectory collection methods under LDP are limited to discrete location spaces, where the number of locations affects both privacy guarantees and trajectory utility. Moreover, many real-world scenarios, such as flying trajectories or sensor trajectories of wearable devices, operate in continuous location spaces, making existing methods inadequate. This paper shifts the focus from discrete to continuous spaces for trajectory collection under LDP. We propose two novel methods: 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 in continuous spaces. TraCS can also be applied to discrete spaces by rounding perturbed locations to the nearest discrete points. In this case, TraCS's privacy and utility guarantees are independent of the number of locations in the space, and has only $\Theta(1)$ time complexity in each perturbation generation. Evaluation results on discrete location spaces validate the efficiency 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、ユーザの日々の活動などの機密情報を伴って、重要なプライバシー上の懸念を提起することが多い。
ローカル微分プライバシ(LDP)は、データコレクタが信頼できない場合でも、ユーザに強力なプライバシ保証を提供する。
LDPにおける既存のトラジェクトリ収集手法は、プライバシ保証とトラジェクトリユーティリティの両方に影響を与える位置の個数に限られる。
さらに、飛行軌跡やウェアラブルデバイスのセンサー軌跡などの現実世界のシナリオは、連続的な位置空間で運用されており、既存の手法が不十分である。
本稿では, LDPの下での軌跡収集において, 離散空間から連続空間へ焦点を移す。
位置の方向と距離を摂動する TraCS-D と、位置のカルト座標を摂動する TraCS-C の2つの新しい手法を提案する。
どちらの手法も、連続空間における軌道上の有用性について理論的、実験的に解析される。
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。
この場合、TraCSのプライバシとユーティリティの保証は、空間内のロケーションの数とは独立しており、摂動世代ごとに$\Theta(1)$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効率の優位性を検証し、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) - Spatiotemporal k-means [39.98633724527769]
マルチスケールクラスタを解析できるk-means (STk) と呼ばれる2つの時間クラスタリング手法を提案する。
我々は、STkMがより複雑な機械学習タスク、特にビデオにおける関心の検出と追跡の教師なし領域にどのように拡張できるかを示す。
論文 参考訳（メタデータ） (2022-11-10T04:40:31Z) - Nonparametric extensions of randomized response for private confidence sets [51.75485869914048]
本研究は,局所的差分プライバシー(LDP)の制約の下で,集団平均の非パラメトリック,非漸近的統計的推測を行う手法を導出する。
民営化データへのアクセスのみを与えられた場合、$mustar$に対して信頼区間(CI)と時間一様信頼シーケンス(CS)を提示する。
論文 参考訳（メタデータ） (2022-02-17T16:04:49Z) - 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。