論文の概要: PrivAR: Real-Time Privacy Protection for Location-Based Augmented Reality Applications
- arxiv url: http://arxiv.org/abs/2508.02551v1
- Date: Mon, 04 Aug 2025 16:02:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-12 13:18:37.905805
- Title: PrivAR: Real-Time Privacy Protection for Location-Based Augmented Reality Applications
- Title（参考訳）: PrivAR: 位置情報ベースの拡張現実アプリケーションのためのリアルタイムプライバシ保護
- Authors: Shafizur Rahman Seeam, Ye Zheng, Zhengxiong Li, Yidan Hu,
- Abstract要約: Pok'emon Goのような位置情報ベースの拡張現実(LB-AR)アプリケーションは、秒未満のGPS更新をストリームする。
PrivARはリアルタイムLB-ARのための最初のクライアントサイドプライバシフレームワークである。
- 参考スコア（独自算出の注目度）: 5.9049896608422285
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Location-based augmented reality (LB-AR) applications, such as Pok\'emon Go, stream sub-second GPS updates to deliver responsive and immersive user experiences. However, this high-frequency location reporting introduces serious privacy risks. Protecting privacy in LB-AR is significantly more challenging than in traditional location-based services (LBS), as it demands real-time location protection with strong per-location and trajectory-level privacy guaranteed while maintaining low latency and high quality of service (QoS). Existing methods fail to meet these combined demands. To fill the gap, we present PrivAR, the first client-side privacy framework for real-time LB-AR. PrivAR introduces two lightweight mechanisms: (i) Planar Staircase Mechanism (PSM) which designs a staircase-shaped distribution to generate noisy location with strong per-location privacy and low expected error; and (ii) Thresholded Reporting with PSM (TR-PSM), a selective scheme that releases a noisy location update only when a displacement exceeds a private threshold, enabling many-to-one mappings for enhanced trace-level privacy while preserving high QoS. We present theoretical analysis, extensive experiments on two public datasets and our proprietary GeoTrace dataset, and validate PrivAR on a Pok\'emon-Go-style prototype. Results show PrivAR improves QoS (Gamescore) by up to 50%, while increasing attacker error by 1.8x over baseline with an additional 0.06 milliseconds runtime overhead.
- Abstract（参考訳）: Pok\'emon Goのような位置情報ベースの拡張現実(LB-AR)アプリケーションは、サブ秒未満のGPSアップデートをストリームして、応答性と没入感のあるユーザエクスペリエンスを提供する。
しかし、この高周波ロケーションレポートは深刻なプライバシーリスクをもたらす。
LB-ARのプライバシ保護は、低レイテンシと高品質のサービス(QoS)を維持しながら、強力なロケーションとトラジェクトリレベルのプライバシを保証するリアルタイムなロケーション保護を要求するため、従来のロケーションベースサービス(LBS)よりもはるかに難しい。
既存の方法は、これらの組み合わせの要求を満たすことができません。
このギャップを埋めるために、リアルタイムLB-ARのための最初のクライアントサイドプライバシフレームワークであるPrivARを紹介します。
PrivARは2つの軽量メカニズムを導入している。
一 平面階段機構(PSM)
2 PSM(Thresholded Reporting with PSM, TR-PSM)は、変位がプライベートしきい値を超えた場合にのみノイズの多い位置更新を解放し、高いQoSを維持しつつ、トレースレベルのプライバシーを向上するための多対一のマッピングを可能にする選択的なスキームである。
理論解析,2つの公開データセットに関する広範な実験,および独自のGeoTraceデータセット,およびPrivARをPok\'emon-Goスタイルのプロトタイプで検証する。
結果は、PrivARがQoS(Gamescore)を最大50%改善し、アタッカーエラーがベースラインで1.8倍増加し、0.06ミリ秒のランタイムオーバーヘッドが追加されたことを示している。
関連論文リスト
- PWC-MoE: Privacy-Aware Wireless Collaborative Mixture of Experts [59.5243730853157]
クラウドサーバにホストされる大規模言語モデル(LLM)は、ローカルデバイス上の計算とストレージの負担を軽減するが、プライバシの懸念を高める。
小規模言語モデル(SLM)は、ローカルで実行されるためプライバシーが向上するが、複雑なタスクではパフォーマンスが制限される。
帯域幅制約下での計算コスト,性能,プライバシ保護のバランスをとるために,プライバシを意識したPWC-MoE(PWC-MoE)フレームワークを提案する。
論文 参考訳（メタデータ） (2025-05-13T16:27:07Z) - Enhancing Feature-Specific Data Protection via Bayesian Coordinate Differential Privacy [55.357715095623554]
ローカル微分プライバシー(LDP)は、ユーザーが外部の関係者を信頼することなく、強力なプライバシー保証を提供する。
本稿では,ベイジアン・フレームワークであるベイジアン・コーディネート・ディファレンシャル・プライバシ(BCDP)を提案する。
論文 参考訳（メタデータ） (2024-10-24T03:39:55Z) - PrivacyLens: Evaluating Privacy Norm Awareness of Language Models in Action [54.11479432110771]
PrivacyLensは、プライバシに敏感な種子を表現的なヴィグネットに拡張し、さらにエージェントの軌跡に拡張するために設計された新しいフレームワークである。
プライバシの文献とクラウドソーシングされたシードに基づいて、プライバシの規範のコレクションをインスタンス化する。
GPT-4やLlama-3-70Bのような最先端のLMは、プライバシー強化の指示が出されたとしても、機密情報を25.68%、38.69%のケースでリークしている。
論文 参考訳（メタデータ） (2024-08-29T17:58:38Z) - Secure Aggregation is Not Private Against Membership Inference Attacks [66.59892736942953]
フェデレーション学習におけるSecAggのプライバシーへの影響について検討する。
SecAggは、単一のトレーニングラウンドであっても、メンバシップ推論攻撃に対して弱いプライバシを提供します。
以上の結果から,ノイズ注入などの付加的なプライバシー強化機構の必要性が浮き彫りになった。
論文 参考訳（メタデータ） (2024-03-26T15:07:58Z) - Measuring Privacy Loss in Distributed Spatio-Temporal Data [26.891854386652266]
本稿では,情報提供者による位置復元攻撃に対する代替プライバシ損失を提案する。
実データと合成データに関する我々の実験は、分散環境での個人のプライバシー侵害に対する直感を反映していることを示している。
論文 参考訳（メタデータ） (2024-02-18T09:53:14Z) - Protecting Personalized Trajectory with Differential Privacy under Temporal Correlations [37.88484505367802]
本稿では,パーソナライズされたトラジェクトリプライバシ保護機構(PTPPM)を提案する。
ヒルベルト曲線に基づく最小距離探索アルゴリズムを用いて,各位置の保護位置集合(PLS)を同定する。
我々は位置摂動のための新しいPermute-and-Flip機構を提案し、データ公開プライバシー保護における初期応用を位置摂動機構にマッピングした。
論文 参考訳（メタデータ） (2024-01-20T12:59:08Z) - Efficient Federated Prompt Tuning for Black-box Large Pre-trained Models [62.838689691468666]
我々は,各ローカルデータセットを最適に活用するためのフェデレートブラックボックス・プロンプト・チューニング(Fed-BBPT)を提案する。
Fed-BBPTは、ローカルユーザーがレギュラーアグリゲーションを通じてプロンプトジェネレータを協調的に訓練するのを支援する中央サーバーに重点を置いている。
大規模な微調整とは対照的に、Fed-BBPTは、PTMストレージとローカルマシンの微調整に関連するメモリの課題を、十分にサイドステップで解決している。
論文 参考訳（メタデータ） (2023-10-04T19:30:49Z) - H-LPS: a hybrid approach for user's location privacy in location-based services [0.0]
我々は,ユーザの位置情報を保護するために,難読化と協調に基づくハイブリッド位置情報プライバシスキーム(H-LPS)を提案している。
提案手法であるH-LPSは,高レベルのプライバシを提供するが,ほとんどのユーザに対して良好な精度を提供する。
論文 参考訳（メタデータ） (2022-12-16T02:16:29Z) - Location Trace Privacy Under Conditional Priors [22.970796265042246]
条件依存型データのプライバシー損失を予測する上で,R'enyi分散に基づくプライバシフレームワークを提案する。
このプライバシーを条件付きで達成するためのアルゴリズムを実証します。
論文 参考訳（メタデータ） (2021-02-23T21:55:34Z) - PGLP: Customizable and Rigorous Location Privacy through Policy Graph [68.3736286350014]
我々はPGLPと呼ばれる新しい位置プライバシーの概念を提案し、カスタマイズ可能で厳格なプライバシー保証を備えたプライベートロケーションをリリースするためのリッチなインターフェースを提供する。
具体的には,ユーザの位置プライバシー要件を,表現的かつカスタマイズ可能なテキスト配置ポリシーグラフを用いて形式化する。
第3に、位置露光の検出、ポリシーグラフの修復、およびカスタマイズ可能な厳格な位置プライバシーを備えたプライベートな軌跡リリースをパイプライン化する、プライベートな位置トレースリリースフレームワークを設計する。
論文 参考訳（メタデータ） (2020-05-04T04:25:59Z)
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。