論文の概要: Efficient and Privacy-Preserving Distribution Statistics Analytics on Mobile Spatial Data

• arxiv url: http://arxiv.org/abs/2605.25791v1
• Date: Mon, 25 May 2026 12:37:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:20.045508
• Title: Efficient and Privacy-Preserving Distribution Statistics Analytics on Mobile Spatial Data
• Title（参考訳）: 移動空間データを用いた効率・プライバシ保護分布統計分析
• Authors: Xuhao Ren, Mingyang Zhao, Ruichen Zhang, Liehuang Zhu, Dusit Niyato, Bin Xiao,
• Abstract要約: 空間データに対する効率的な分散統計解析は、リアルタイムなモバイルコンピューティングアプリケーションにとって不可欠である。 既存のプライバシー保護技術は、過度のオーバーヘッドや不正確さをもたらすことが多い。 本稿では,移動空間データに対する効率的かつプライバシ保護型分布統計解析を支援する最初のシステムの設計,実装,評価を行う。
• 参考スコア（独自算出の注目度）: 76.32349627923843
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the rapid development of mobile computing technology, massive amounts of spatial data are continuously generated from various mobile terminals and sensing devices, such as smartphones, connected vehicles, and drones. Performing efficient distributed statistical analysis on this data is crucial for real-time mobile computing applications. However, the constrained and dynamic nature of mobile environments exacerbates the privacy challenge: centralizing sensitive data for analysis risks severe privacy leaks, while existing privacy-preserving techniques often introduce excessive overhead or inaccuracies In this paper, we design, implement, and evaluate the first system that supports efficient and privacy-preserving distribution statistics analysis for mobile spatial data. First, we propose eSpat-B, which leverages two non-colluding servers and a newly designed improved distributed point functions (DPF) with octree partitioning. Furthermore, considering the frequent updates of spatial data, we propose another more efficient scheme, eSpat+. The core idea of this scheme is to utilize a K-Dimensional tree for spatial partitioning, combine it with incremental DPF for performing statistics analysis, and design an efficient update algorithm. Security analysis demonstrates that our schemes effectively protect data privacy throughout the statistical process. Theoretical analysis and experimental results on real-world mobile trajectory datasets demonstrate that our proposed schemes achieve a reduction of approximately 1.2* in computation overhead, 20* in communication overhead, and maintain 100% accuracy.
• Abstract（参考訳）: モバイルコンピューティング技術の急速な発展に伴い、スマートフォンやコネクテッドカー、ドローンなど、さまざまなモバイル端末やセンサーデバイスから大量の空間データが連続的に生成される。 このデータに対する効率的な分散統計解析は、リアルタイムなモバイルコンピューティングアプリケーションにとって不可欠である。 しかし、モバイル環境の制約的かつ動的な性質は、プライバシーの課題を悪化させる: 分析のために機密データを集中化することは、重大なプライバシー漏洩を危険にさらす一方、既存のプライバシー保護技術は、しばしば過度なオーバーヘッドや不正確さを伴い、モバイル空間データに対する効率的かつプライバシー保護の分布統計解析をサポートする最初のシステムの設計、実装、評価を行う。 まず,2つの非凝固サーバと,オクツリー分割による分散点関数 (DPF) を新たに設計した eSpat-B を提案する。 さらに,空間データの頻繁な更新を考慮し,より効率的なスキームeSpat+を提案する。 このスキームの中核となる考え方は、空間分割にK次元木を用い、統計解析にインクリメンタルDPFと組み合わせ、効率的な更新アルゴリズムを設計することである。 セキュリティ分析は、統計的プロセスを通して、我々のスキームがデータプライバシを効果的に保護していることを示している。 実世界の移動軌道データセットに関する理論的解析と実験結果から,提案手法は計算オーバーヘッドが約1.2*,通信オーバーヘッドが20*,精度が100%であることを示す。

関連論文リスト

• EPSpatial: Achieving Efficient and Private Statistical Analytics of Geospatial Data [27.954601303169007]
  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。
  論文  参考訳（メタデータ） (2025-05-19T01:51:30Z)
• Linear-Time User-Level DP-SCO via Robust Statistics [55.350093142673316]
  ユーザレベルの差分プライベート凸最適化(DP-SCO)は、マシンラーニングアプリケーションにおけるユーザのプライバシ保護の重要性から、大きな注目を集めている。 微分プライベート勾配勾配(DP-SGD)に基づくような現在の手法は、しばしば高雑音蓄積と準最適利用に苦しむ。 これらの課題を克服するために、ロバストな統計、特に中央値とトリミング平均を利用する新しい線形時間アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2025-02-13T02:05:45Z)
• Share Secrets for Privacy: Confidential Forecasting with Vertical Federated Learning [5.584904689846748]
  主な課題は、トレーニングと推論の両方において、データのプライバシと、小さくノイズの多いデータセットへの過度な適合である。 VFL' (STV) を用いたシークレット共有時系列予測を提案する。 その結果,STVの予測精度は集中型アプローチに匹敵することがわかった。
  論文  参考訳（メタデータ） (2024-05-31T12:27:38Z)
• Decentralized Stochastic Optimization with Inherent Privacy Protection [103.62463469366557]
  分散最適化は、現代の協調機械学習、分散推定と制御、大規模センシングの基本的な構成要素である。 データが関与して以降、分散最適化アルゴリズムの実装において、プライバシ保護がますます重要になっている。
  論文  参考訳（メタデータ） (2022-05-08T14:38:23Z)
• Efficient Logistic Regression with Local Differential Privacy [0.0]
  モノのインターネット(Internet of Things)デバイスは急速に拡大し、大量のデータを生み出している。 これらのデバイスから収集されたデータを探索する必要性が高まっている。 コラボレーション学習は、モノのインターネット(Internet of Things)設定に戦略的ソリューションを提供すると同時に、データのプライバシに関する一般の懸念も引き起こす。
  論文  参考訳（メタデータ） (2022-02-05T22:44:03Z)
• Distributed Reinforcement Learning for Privacy-Preserving Dynamic Edge Caching [91.50631418179331]
  MECネットワークにおけるデバイスのキャッシュヒット率を最大化するために,プライバシ保護型分散ディープポリシー勾配(P2D3PG)を提案する。 分散最適化をモデルフリーなマルコフ決定プロセス問題に変換し、人気予測のためのプライバシー保護フェデレーション学習手法を導入する。
  論文  参考訳（メタデータ） (2021-10-20T02:48:27Z)
• Privacy-preserving Traffic Flow Prediction: A Federated Learning Approach [61.64006416975458]
  本稿では,フェデレート学習に基づくGated Recurrent Unit Neural Network Algorithm (FedGRU) というプライバシ保護機械学習手法を提案する。 FedGRUは、現在の集中学習方法と異なり、安全なパラメータアグリゲーション機構を通じて、普遍的な学習モデルを更新する。 FedGRUの予測精度は、先進的なディープラーニングモデルよりも90.96%高い。
  論文  参考訳（メタデータ） (2020-03-19T13:07:49Z)
• A Privacy-Preserving-Oriented DNN Pruning and Mobile Acceleration Framework [56.57225686288006]
  モバイルエッジデバイスの限られたストレージとコンピューティング能力を満たすために、ディープニューラルネットワーク(DNN)の軽量プルーニングが提案されている。 従来のプルーニング手法は主に、ユーザデータのプライバシを考慮せずに、モデルのサイズを減らしたり、パフォーマンスを向上させることに重点を置いていた。 プライベートトレーニングデータセットを必要としないプライバシ保護指向のプルーニングおよびモバイルアクセラレーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-13T23:52:03Z)

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。