論文の概要: EPSpatial: Achieving Efficient and Private Statistical Analytics of Geospatial Data

• arxiv url: http://arxiv.org/abs/2505.12612v1
• Date: Mon, 19 May 2025 01:51:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:11.343811
• Title: EPSpatial: Achieving Efficient and Private Statistical Analytics of Geospatial Data
• Title（参考訳）: EPSpatial:地理空間データの効率的かつプライベートな統計分析を実現する
• Authors: Chuan Zhang, Xuhao Ren, Zhangcheng Huang, Jinwen Liang, Jianzong Wang, Liehuang Zhu,
• Abstract要約: 地理空間データ統計は、地理空間内のクライアントの分布を導出する位置データの集約と分析を含む。 地理空間データ分析におけるプライバシー保護の必要性は、クライアント位置情報の不正使用や不正アクセスに関する懸念から、最重要視されている。 地理空間データの正確・効率的・プライベートな統計分析手法である$mathtEPSpatial$を提案する。
• 参考スコア（独自算出の注目度）: 27.954601303169007
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Geospatial data statistics involve the aggregation and analysis of location data to derive the distribution of clients within geospatial. The need for privacy protection in geospatial data analysis has become paramount due to concerns over the misuse or unauthorized access of client location information. However, existing private geospatial data statistics mainly rely on privacy computing techniques such as cryptographic tools and differential privacy, which leads to significant overhead and inaccurate results. In practical applications, geospatial data is frequently generated by mobile devices such as smartphones and IoT sensors. The continuous mobility of clients and the need for real-time updates introduce additional complexity. To address these issues, we first design \textit{spatially distributed point functions (SDPF)}, which combines a quad-tree structure with distributed point functions, allowing clients to succinctly secret-share values on the nodes of an exponentially large quad-tree. Then, we use Gray code to partition the region and combine SDPF with it to propose $\mathtt{EPSpatial}$, a scheme for accurate, efficient, and private statistical analytics of geospatial data. Moreover, considering clients' frequent movement requires continuous location updates, we leverage the region encoding property to present an efficient update algorithm.Security analysis shows that $\mathtt{EPSpatial}$ effectively protects client location privacy. Theoretical analysis and experimental results on real datasets demonstrate that $\mathtt{EPSpatial}$ reduces computational and communication overhead by at least $50\%$ compared to existing statistical schemes.
• Abstract（参考訳）: 地理空間データ統計は、地理空間内のクライアントの分布を導出する位置データの集約と分析を含む。 地理空間データ分析におけるプライバシー保護の必要性は、クライアント位置情報の不正使用や不正アクセスに関する懸念から、最重要視されている。 しかし、既存のプライベート地理空間データ統計は、主に暗号ツールや差分プライバシーなどのプライバシー計算技術に依存しており、大きなオーバーヘッドと不正確な結果をもたらす。 実用的なアプリケーションでは、地理空間データはスマートフォンやIoTセンサーなどのモバイルデバイスによって頻繁に生成される。 クライアントの継続的なモビリティとリアルタイム更新の必要性により、さらなる複雑さがもたらされる。 これらの問題に対処するために、我々はまず、クアッドツリー構造と分散ポイント関数を組み合わせた、指数的に大きなクアッドツリーのノード上で、クライアントが簡潔に秘密の共有値を共有できる「textit{spatially distributed point function (SDPF)} を設計する。 次に、グレーコードを用いて地域を分割し、SDPFと組み合わせて、地理空間データの正確で効率的かつプライベートな統計分析手法である$\mathtt{EPSpatial}$を提案する。 さらに、クライアントの頻繁な動きが継続的な位置更新を必要とすることを考慮し、領域符号化プロパティを利用して効率的な更新アルゴリズムを提示する。 実データセットに関する理論的解析と実験結果から、$\mathtt{EPSpatial}$は既存の統計スキームと比較して計算と通信のオーバーヘッドを少なくとも50\%削減することを示した。

関連論文リスト

• GEOBench-VLM: Benchmarking Vision-Language Models for Geospatial Tasks [84.86699025256705]
  本稿では,地理空間的タスクの視覚言語モデル(VLM)を評価するためのベンチマークであるGEOBench-VLMを提案する。 私たちのベンチマークでは、手動で検証された命令が1万以上あり、さまざまな視覚条件、オブジェクトタイプ、スケールにまたがっています。 地理空間固有の課題における性能を評価するために,いくつかの最先端のVLMを評価した。
  論文  参考訳（メタデータ） (2024-11-28T18:59:56Z)
• 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)
• LargeST: A Benchmark Dataset for Large-Scale Traffic Forecasting [65.71129509623587]
  道路交通予測はスマートシティのイニシアチブにおいて重要な役割を担い、ディープラーニングの力によって大きな進歩を遂げている。 しかし、現在の公開データセットで達成される有望な結果は、現実的なシナリオには適用できないかもしれない。 カリフォルニアで合計8,600のセンサーと5年間の時間カバレッジを含む、LargeSTベンチマークデータセットを紹介します。
  論文  参考訳（メタデータ） (2023-06-14T05:48:36Z)
• 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)
• Graph Learning Across Data Silos [10.448384704100684]
  本稿では,スムーズなグラフ信号からグラフトポロジを推定する問題を考える。 データは分散クライアントにあり、プライバシー上の懸念などの要因により、ローカルクライアントを去ることは禁じられている。 本稿では,各ローカルクライアントに対してパーソナライズされたグラフと,全クライアントに対して単一のコンセンサスグラフを共同で学習する,自動重み付き多重グラフ学習モデルを提案する。
  論文  参考訳（メタデータ） (2023-01-17T02:14:57Z)
• Federated Stochastic Primal-dual Learning with Differential Privacy [15.310299472656533]
  差分プライバシ(FedSPDDP)を用いた新しいフェデレーション原始双対アルゴリズムを提案する。 分析の結果、データサンプリング戦略とPCPはデータのプライバシを高めることができる一方で、ローカルなSGDステップが多ければ多いほど、プライバシリークが増大する可能性が示唆された。 提案アルゴリズムの実用性能を評価する実験結果を示す。
  論文  参考訳（メタデータ） (2022-04-26T13:10:37Z)
• Towards Sparse Federated Analytics: Location Heatmaps under Distributed Differential Privacy with Secure Aggregation [15.569382274788234]
  我々は、数百万のユーザデバイスから分散化されたデータにまたがって、位置情報のヒートマップをプライベートに生成するスケーラブルなアルゴリズムを設計する。 データの正確性を維持しつつ、ユーザのデバイス上でのリソース消費を最小限に抑えながら、データがサービスプロバイダに表示される前に、差分プライバシを確保することを目的としている。
  論文  参考訳（メタデータ） (2021-11-03T17:19:05Z)

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。