論文の概要: Privacy-Preserving State Estimation with Crowd Sensors: An Information-Theoretic Respective

• arxiv url: http://arxiv.org/abs/2509.17266v1
• Date: Sun, 21 Sep 2025 22:44:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 14:41:56.368312
• Title: Privacy-Preserving State Estimation with Crowd Sensors: An Information-Theoretic Respective
• Title（参考訳）: 群衆センサを用いたプライバシ保護状態推定:情報理論的考察
• Authors: Farhad Farokhi,
• Abstract要約: 群集センサを用いた線形時間不変力学系のプライバシー保護状態推定について検討する。 ルエンベルガーのような観測者は、測定をシステムの基盤モデルと融合させ、状態推定を生成する。 情報漏洩は、センサの同一性とシステムの実際の状態に基づいて条件付けられた状態推定との相互情報を介して測定される。
• 参考スコア（独自算出の注目度）: 5.3984896513866
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Privacy-preserving state estimation for linear time-invariant dynamical systems with crowd sensors is considered. At any time step, the estimator has access to measurements from a randomly selected sensor from a pool of sensors with pre-specified models and noise profiles. A Luenberger-like observer is used to fuse the measurements with the underlying model of the system to recursively generate the state estimates. An additive privacy-preserving noise is used to constrain information leakage. Information leakage is measured via mutual information between the identity of the sensors and the state estimate conditioned on the actual state of the system. This captures an omnipotent adversary that not only can access state estimates but can also gather direct high-quality state measurements. Any prescribed level of information leakage is shown to be achievable by appropriately selecting the variance of the privacy-preserving noise. Therefore, privacy-utility trade-off can be fine-tuned.
• Abstract（参考訳）: 群集センサを用いた線形時間不変力学系のプライバシ保存状態推定について検討した。 任意のステップで、推定器は、あらかじめ特定されたモデルとノイズプロファイルを持つセンサーのプールからランダムに選択されたセンサーからの測定にアクセスすることができる。 ルエンベルガーのような観測者は、測定をシステムの基盤モデルと融合させ、状態推定を再帰的に生成するために用いられる。 付加的なプライバシー保護ノイズは情報漏洩を抑制するために用いられる。 情報漏洩は、センサの同一性とシステムの実際の状態に基づいて条件付けられた状態推定との相互情報を介して測定される。 これは、状態推定にアクセスできるだけでなく、直接的に高品質な状態測定を収集できる全能の敵を捉えている。 プライバシ保存ノイズのばらつきを適切に選択することにより、所定のレベルの情報漏洩が達成可能であることを示す。 したがって、プライバシーとユーティリティのトレードオフは微調整できる。

関連論文リスト

• Privacy-Preserving Set-Based Estimation Using Differential Privacy and Zonotopes [2.206168301581203]
  大規模サイバー物理システムでは、状態推定を行うために空間分布センサの協調が必要であることが多い。 プライバシの懸念は、機密性の高い測定結果をクラウド推定器に開示することにある。 本稿では,推定集合における真の状態の保持と,感度測定のための差分プライバシーを保証する,差分プライベートな集合ベース推定プロトコルを提案する。
  論文  参考訳（メタデータ） (2024-08-30T13:05:38Z)
• OOSTraj: Out-of-Sight Trajectory Prediction With Vision-Positioning Denoising [49.86409475232849]
  軌道予測はコンピュータビジョンと自律運転の基本である。 この分野における既存のアプローチは、しばしば正確で完全な観測データを仮定する。 本稿では,視覚的位置決め技術を利用した視線外軌道予測手法を提案する。
  論文  参考訳（メタデータ） (2024-04-02T18:30:29Z)
• Differentially Private Communication of Measurement Anomalies in the Smart Grid [4.021993915403885]
  本稿では,差分プライバシ(DP)に基づく電力測定を問合せし,システム異常や悪いデータを検出するフレームワークを提案する。 我々のDPアプローチは,不信頼な第三者が異常の仮説を検証できるようにしながら,消費とシステムマトリックスデータを隠蔽する。 本稿では,電力注入やシステムマトリクスに関するプライベート情報を明らかにしない新しいDPチ方形ノイズ機構を提案する。
  論文  参考訳（メタデータ） (2024-03-04T18:55:16Z)
• Pedestrian Trajectory Forecasting Using Deep Ensembles Under Sensing Uncertainty [125.41260574344933]
  エンコーダ・デコーダをベースとした深層アンサンブルネットワークは,認識と予測の不確実性の両方を同時に捕捉する。 全体として、深層アンサンブルはより堅牢な予測を提供し、上流の不確実性の考慮により、モデルの推定精度をさらに高めた。
  論文  参考訳（メタデータ） (2023-05-26T04:27:48Z)
• Safe Perception-Based Control under Stochastic Sensor Uncertainty using Conformal Prediction [27.515056747751053]
  本稿では,知覚マップの推定不確かさを定量化する知覚ベース制御フレームワークを提案する。 また、これらの不確実性表現を制御設計に統合する。 本稿では,LiDAR対応F1/10thカーに対する認識制御の有効性を示す。
  論文  参考訳（メタデータ） (2023-04-01T01:45:53Z)
• Differentially Private Online Bayesian Estimation With Adaptive Truncation [1.14219428942199]
  そこで本研究では,集団に関する静的パラメータの偏微分プライベートなベイズオンライン推定のための,新しいオンライン・適応的トランケーション手法を提案する。 予測クエリを小さな感度で設計することを目的としており、それによってプライバシー保護ノイズが小さくなり、同じレベルのプライバシーを維持しながらより正確な推定が可能となる。
  論文  参考訳（メタデータ） (2023-01-19T17:53:53Z)
• Uncertainty in Data-Driven Kalman Filtering for Partially Known State-Space Models [84.18625250574853]
  本稿では,ハイブリッドモデルに基づくディープステートトラッキングアルゴリズムであるKalmanNetを用いて,不確実性の評価を行う。 誤差共分散行列は内部特性に基づいて不確実性の測定値として計算可能であることを示す。 システムダイナミクスが分かっている場合、KalmanNetは統計情報にアクセスせずにデータからマッピングを学習し、Kalmanフィルタに類似した不確実性を示す。
  論文  参考訳（メタデータ） (2021-10-10T08:52:18Z)
• CertainNet: Sampling-free Uncertainty Estimation for Object Detection [65.28989536741658]
  ニューラルネットワークの不確実性を推定することは、安全クリティカルな設定において基本的な役割を果たす。 本研究では,オブジェクト検出のための新しいサンプリング不要不確実性推定法を提案する。 私たちはそれをCertainNetと呼び、各出力信号に対して、オブジェクト性、クラス、位置、サイズという、別の不確実性を提供するのは、これが初めてです。
  論文  参考訳（メタデータ） (2021-10-04T17:59:31Z)
• Private Prediction Sets [72.75711776601973]
  機械学習システムは、個人のプライバシーの確実な定量化と保護を必要とする。 これら2つのデシラタを共同で扱う枠組みを提案する。 本手法を大規模コンピュータビジョンデータセット上で評価する。
  論文  参考訳（メタデータ） (2021-02-11T18:59:11Z)
• 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)

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。