論文の概要: Privacy Evaluation of Generative Models for Trajectory Generation

• arxiv url: http://arxiv.org/abs/2605.15246v1
• Date: Thu, 14 May 2026 10:57:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:26.034635
• Title: Privacy Evaluation of Generative Models for Trajectory Generation
• Title（参考訳）: 軌道生成のための生成モデルのプライバシ評価
• Authors: Stavros Bouras, Ioannis Kontopoulos, Chiara Pugliese, Francesco Lettich, Emanuele Carlini, Hanna Kavalionak, Chiara Renso, Konstantinos Tserpes,
• Abstract要約: トラバーセーのデータは現代の都市情報に基本的なものだが、その感度はプライバシーの懸念を喚起する。 生成軌道モデリングとプライバシ評価の交わりについて検討する。
• 参考スコア（独自算出の注目度）: 0.3998450019209938
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Trajectory data is fundamental to modern urban intelligence, yet its sensitivity raises significant privacy concerns. Generative models such as Generative Adversarial Networks, Variational Autoencoders, and Diffusion Models have been developed to generate realistic synthetic trajectory data by capturing underlying spatiotemporal distributions and mobility patterns. Although these models are often assumed to preserve privacy due to their generative nature, this assumption does not necessarily hold. In this work, we investigate the intersection of generative trajectory modeling and privacy evaluation. By identifying applicable empirical methods for assessing privacy preservation in trajectory generation tasks, we demonstrate a significant gap in the evaluation of privacy for generative trajectory models. Motivated by this gap, we implement Membership Inference Attacks against representative models, demonstrating the feasibility of using such empirical privacy evaluation methods and showing that their generative nature does not eliminate privacy risks.
• Abstract（参考訳）: 軌跡データは現代の都市情報に基本的なものだが、その感度は重要なプライバシー上の懸念を引き起こす。 時空間分布と移動パターンを抽出し, 現実的な合成軌道データを生成するために, 生成逆数ネットワーク, 変分オートエンコーダ, 拡散モデルなどの生成モデルを開発した。 これらのモデルは、しばしばその生成性からプライバシーを保存すると仮定されるが、この仮定は必ずしも成り立たない。 本研究では,生成軌道モデリングとプライバシ評価の交わりについて検討する。 トラジェクトリ生成タスクにおけるプライバシ保護を評価するための実証的手法を同定することにより、生成的トラジェクトリモデルにおけるプライバシ評価における大きなギャップを実証する。 このギャップによって、代表モデルに対するメンバーシップ推論攻撃を実装し、このような経験的なプライバシ評価手法を使用することの可能性を示し、それらの生成特性がプライバシーリスクを排除していないことを示す。

関連論文リスト

• diffGHOST: Diffusion based Generative Hedged Oblivious Synthetic Trajectories [0.0]
  本稿では,遅延空間分割に基づく条件拡散モデルdiffGHOSTを紹介する。 本稿では,学習潜伏空間の条件セグメントを用いて,臨界サンプルの同定と記憶を行う手法を提案する。
  論文  参考訳（メタデータ） (2026-05-11T14:33:47Z)
• Reinforcement-Guided Synthetic Data Generation for Privacy-Sensitive Identity Recognition [60.52810518437911]
  高忠実度生成モデルは、プライバシーに敏感なシナリオでますます必要とされている。 限られたデータによって生成モデルは貧弱になり、データ不足を軽減できない。 汎用ドメイン生成の先行を識別タスクに適応させる,強化誘導型合成データ生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-09T06:52:03Z)
• Neural Gate: Mitigating Privacy Risks in LVLMs via Neuron-Level Gradient Gating [71.55435880263238]
  ニューラルゲート(Neural Gate)は,ニューロンレベルのモデル編集によってプライバシリスクを軽減する新しい手法である。 本手法は,プライバシ関連質問に対する拒否率を高めることにより,モデルのプライバシ保護を改善する。
  論文  参考訳（メタデータ） (2026-03-13T03:03:20Z)
• Rethinking Anonymity Claims in Synthetic Data Generation: A Model-Centric Privacy Attack Perspective [18.404146545866812]
  合成データを生成するための生成機械学習モデルを訓練することは、データ共有におけるプライバシーを高めるための一般的なアプローチとなっている。 これは一般的に機密性の高い個人情報を処理するため、トレーニングされたモデルまたは生成された合成匿名性は、プライバシー上のリスクを生じさせる可能性がある。 有意義な評価は、基礎となる生成モデルの能力と特性を考慮し、最先端のプライバシ攻撃に基礎を置く必要がある、と我々は主張する。
  論文  参考訳（メタデータ） (2026-01-30T00:57:41Z)
• On the MIA Vulnerability Gap Between Private GANs and Diffusion Models [51.53790101362898]
  GAN(Generative Adversarial Networks)と拡散モデルが高品質な画像合成のための主要なアプローチとして登場している。 差分自己生成モデルが直面するプライバシーリスクの統一的および実証的分析について述べる。
  論文  参考訳（メタデータ） (2025-09-03T14:18:22Z)
• Privacy Auditing Synthetic Data Release through Local Likelihood Attacks [7.780592134085148]
  遺伝子様比攻撃(Gen-LRA) Gen-LRAは、サロゲートモデルによる合成データに対する局所確率比の推定において、テスト観測が与える影響を評価して攻撃を定式化する。 その結果、Gen-LRAは、合成データのリリースのためのプライバシ監査ツールとしての有効性を裏付けている。
  論文  参考訳（メタデータ） (2025-08-28T18:27:40Z)
• Holmes: Towards Effective and Harmless Model Ownership Verification to Personalized Large Vision Models via Decoupling Common Features [54.63343151319368]
  本稿では、類似の共通特徴を分離し、パーソナライズされたモデルに対する無害モデルオーナシップ検証手法を提案する。 最初の段階では、データセット固有の機能を中断しながら、犠牲者モデルの共通の特徴を保持するシャドウモデルを作成します。 その後、メタ分類器が訓練され、被害者のデータセット固有の特徴を含む不審なモデルを決定することで、盗まれたモデルを特定する。
  論文  参考訳（メタデータ） (2025-06-24T15:40:11Z)
• Preference Learning for AI Alignment: a Causal Perspective [55.2480439325792]
  私たちはこの問題を因果パラダイムに枠組み化し、永続的な課題を特定するための因果関係の豊富なツールボックスを提供します。 因果推論の文献を継承し、信頼性の高い一般化に必要な重要な仮定を特定する。 そこで本研究では, 因果関係に基づくアプローチがモデルロバスト性をいかに改善するかを, ナイーブ報酬モデルの障害モードを例示する。
  論文  参考訳（メタデータ） (2025-06-06T10:45:42Z)
• Empirical Privacy Evaluations of Generative and Predictive Machine Learning Models -- A review and challenges for practice [0.3069335774032178]
  生成技術を展開する前に、生成した合成データに関連するプライバシーリスクを実証的に評価することが重要である。 本稿では,機械学習に基づく生成および予測モデルにおける経験的プライバシ評価の基礎となる概念と前提について概説する。
  論文  参考訳（メタデータ） (2024-11-19T12:19:28Z)
• KIPPS: Knowledge infusion in Privacy Preserving Synthetic Data Generation [0.0]
  生成的ディープラーニングモデルは、ドメイン制約のある離散的および非ガウス的特徴をモデル化するのに苦労する。 生成モデルは、プライバシーリスクであるセンシティブな機能を繰り返す合成データを生成する。 本稿では,知識グラフから知識グラフにドメインと規則的知識を注入する新しいモデルKIPPSを提案する。
  論文  参考訳（メタデータ） (2024-09-25T19:50:03Z)
• Privacy Backdoors: Enhancing Membership Inference through Poisoning Pre-trained Models [112.48136829374741]
  本稿では、プライバシーバックドア攻撃という新たな脆弱性を明らかにします。 被害者がバックドアモデルに微調整を行った場合、トレーニングデータは通常のモデルに微調整された場合よりも大幅に高い速度でリークされる。 我々の発見は、機械学習コミュニティにおける重要なプライバシー上の懸念を浮き彫りにし、オープンソースの事前訓練モデルの使用における安全性プロトコルの再評価を求めている。
  論文  参考訳（メタデータ） (2024-04-01T16:50:54Z)

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。