論文の概要: A Privacy-Preserving Localization Scheme with Node Selection in Mobile Networks

• arxiv url: http://arxiv.org/abs/2601.04280v1
• Date: Wed, 07 Jan 2026 12:48:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 17:01:52.857618
• Title: A Privacy-Preserving Localization Scheme with Node Selection in Mobile Networks
• Title（参考訳）: モバイルネットワークにおけるノード選択によるプライバシ保護型ローカライズ方式
• Authors: Liangbo Xie, Mude Cai, Xiaolong Yang, Mu Zhou, Jiacheng Wang, Dusit Niyato,
• Abstract要約: PPLZNは、クラウドソースのローカライゼーションにおいて、ターゲットノードとアンカーノードの両方の位置プライバシーを保護する。 位置リークなしで正確な位置推定を達成でき、位置決め精度と通信オーバーヘッドの両方において最先端のアプローチより優れている。
• 参考スコア（独自算出の注目度）: 48.845334743016345
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Localization in mobile networks has been widely applied in many scenarios. However, an entity responsible for location estimation exposes both the target and anchors to potential location leakage at any time, creating serious security risks. Although existing studies have proposed privacy-preserving localization algorithms, they still face challenges of insufficient positioning accuracy and excessive communication overhead. In this article, we propose a privacy-preserving localization scheme, named PPLZN. PPLZN protects protects the location privacy of both the target and anchor nodes in crowdsourced localization. Simulation results validate the effectiveness of PPLZN. Evidently, it can achieve accurate position estimation without location leakage and outperform state-of-the-art approaches in both positioning accuracy and communication overhead. In addition, PPLZN significantly reduces computational and communication overhead in large-scale deployments, making it well-fitted for practical privacy-preserving localization in resource-constrained networks.
• Abstract（参考訳）: モバイルネットワークにおけるローカライゼーションは多くのシナリオで広く適用されている。 しかし、位置推定を担当するエンティティは、ターゲットとアンカーの両方をいつでも潜在的な位置リークに晒し、深刻なセキュリティリスクを発生させる。 既存の研究では、プライバシー保護ローカライゼーションアルゴリズムが提案されているが、位置決め精度の不足と過剰な通信オーバーヘッドという課題に直面している。 本稿では,プライバシ保護型ローカライズ方式であるPPLZNを提案する。 PPLZNは、クラウドソースのローカライゼーションにおいて、ターゲットノードとアンカーノードの両方の位置プライバシーを保護する。 PPLZNの有効性をシミュレーションにより検証した。 位置リークなしに正確な位置推定を達成でき、位置決め精度と通信オーバーヘッドの両方において最先端のアプローチを達成できる。 さらに、PPLZNは大規模デプロイメントにおける計算と通信のオーバーヘッドを著しく減らし、リソース制約のあるネットワークにおける実用的なプライバシ保存ローカライゼーションに適している。

関連論文リスト

• FedWiLoc: Federated Learning for Privacy-Preserving WiFi Indoor Localization [0.05941919160409143]
  Wi-Fiベースの屋内ローカライゼーションシステムは,ユーザのプライバシ保護,動的マルチパス環境における正確な予測の実現,デプロイメントの一般化という,3つの重要な課題に直面している。 プライバシー保護のための屋内ローカライゼーションシステムであるFedWiLocを紹介する。 FedWiLocは、トレーニングと推論の両方を通じて強力なプライバシー保証を維持しながら、中央値のローカライゼーションエラーを61.9%向上させる。
  論文  参考訳（メタデータ） (2025-12-20T04:10:15Z)
• Road Network-Aware Personalized Trajectory Protection with Differential Privacy under Spatiotemporal Correlations [33.41548062041307]
  本稿では,これらの課題に対処するためのPTPPM(Personalized Trajectory Privacy Protection Mechanism)を提案する。 我々のアプローチは、攻撃者がユーザの軌道感度に関する知識をモデル化することから始まり、攻撃者が可能な位置集合を識別できるようにする。 これに対抗するために、地理不整合相関を歪みと統合し、ユーザーはプライバシーの好みをカスタマイズできる。
  論文  参考訳（メタデータ） (2025-11-26T03:33:24Z)
• Snail: Secure Single Iteration Localization [2.708816087833581]
  ローカライゼーション(Localization)とは、画像と環境マップからカメラの位置と向きを決定するコンピュータビジョンタスクである。 本稿では,2つのローカライゼーション手法,ガーブロード回路に適したローカライゼーションのベースラインデータ公開適応と,新しいシングルイテレーションローカライゼーションを提案する。
  論文  参考訳（メタデータ） (2024-03-22T02:41:14Z)
• 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)
• SpatialRank: Urban Event Ranking with NDCG Optimization on Spatiotemporal Data [55.609946936979036]
  本研究ではSpatialRankという新しい空間イベントランキング手法を提案する。 本研究では,SpatialRankが犯罪や交通事故の最も危険性の高い場所を効果的に特定できることを示す。
  論文  参考訳（メタデータ） (2023-09-30T06:20:21Z)
• 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)
• Zero-Shot Multi-View Indoor Localization via Graph Location Networks [66.05980368549928]
  屋内ローカライゼーションは、位置ベースアプリケーションにおける基本的な問題である。 本稿では,インフラストラクチャフリーで多視点画像に基づく屋内ローカライゼーションを実現するために,新しいニューラルネットワークアーキテクチャであるGraph Location Networks(GLN)を提案する。 GLNは、メッセージパッシングネットワークを通じて画像から抽出されたロバストな位置表現に基づいて位置予測を行う。 新たにゼロショット屋内ローカライズ設定を導入し,提案したGLNを専用ゼロショットバージョンに拡張することで,その課題に対処する。
  論文  参考訳（メタデータ） (2020-08-06T07:36:55Z)

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。