論文の概要: Context-Aware Metric Differential Privacy for Vehicle Trajectory Data

• arxiv url: http://arxiv.org/abs/2605.26351v1
• Date: Mon, 25 May 2026 21:54:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:41.480182
• Title: Context-Aware Metric Differential Privacy for Vehicle Trajectory Data
• Title（参考訳）: 自動車軌跡データに対する文脈対応距離差分プライバシー
• Authors: Gaoyi Chen, Yan Huang, Chenxi Qiu,
• Abstract要約: 車両位置プライバシーのためのコンテキスト対応mDP(C-mDP)を提案する。 C-mDPは保護されたシークレットを文脈拡張されたレコードとして扱い、この拡張されたドメインに対してメートル法の不識別性を強制する。 実車載用モビリティデータセットのC-mDPを評価し,標準mDPベースラインと比較した。
• 参考スコア（独自算出の注目度）: 10.498407285075771
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Metric Differential Privacy (mDP) generalizes differential privacy by allowing privacy guarantees to be expressed with respect to an arbitrary distance metric over secrets. While mDP has been adopted in geo-location protection, most existing mechanisms perturb each location record in isolation and do not model how contextual information (e.g., recent mobility history) affects the utility of the released data. This mismatch is particularly pronounced for vehicle mobility traces, where service quality often depends on temporally correlated locations. In this paper, we propose Context-aware mDP (C-mDP), a framework for vehicle location privacy that incorporates contextual dependencies into both the utility model and the privacy notion. C-mDP treats the protected secret as a context-augmented record and enforces metric indistinguishability over this augmented domain. We formulate optimal C-mDP mechanism design as a linear program (LP) that minimizes expected utility loss subject to C-mDP constraints. To improve scalability, we exploit conditional-independence structure between the current location and contextual variables to derive a reduced formulation with substantially fewer decision variables and constraints. We evaluate C-mDP on real-world vehicle mobility datasets and compare it with standard mDP baselines. The results show that C-mDP consistently achieves higher utility under the same privacy budget while satisfying the required metric privacy guarantees.
• Abstract（参考訳）: メートル微分プライバシ(mDP)は、秘密に対する任意の距離メートル法に関して、プライバシー保証を表現できるようにすることにより、差分プライバシーを一般化する。 mDPは地理的位置保護に採用されているが、既存のメカニズムは各位置情報を個別に摂動し、コンテキスト情報(例えば最近の移動履歴)がリリースデータの有用性にどのように影響するかをモデル化しない。 このミスマッチは、しばしば時間的に相関した位置に依存する車両のモビリティトレースに対して特に顕著である。 本稿では,実用モデルとプライバシ概念の両方にコンテキスト依存を組み込んだ車両位置プライバシーのためのフレームワークである,コンテキスト対応mDP(C-mDP)を提案する。 C-mDPは保護されたシークレットを文脈拡張されたレコードとして扱い、この拡張されたドメインに対してメートル法の不識別性を強制する。 我々は,C-mDP制約下で期待される実用的損失を最小限に抑える線形プログラム(LP)として,最適C-mDP機構の設計を定式化する。 スケーラビリティを向上させるために,現在位置と文脈変数間の条件独立構造を利用して,決定変数や制約を著しく少なく抑えた定式化を導出する。 実車載用モビリティデータセットのC-mDPを評価し,標準mDPベースラインと比較した。 その結果、C-mDPは同じプライバシー予算の下で常に高いユーティリティを実現し、必要な基準のプライバシー保証を満たしていることがわかった。

関連論文リスト

• PAC-DP: Personalized Adaptive Clipping for Differentially Private Federated Learning [16.9867659381048]
  PAC-DPは、連邦学習のためのパーソナライズされたAdaptive Clippingフレームワークである。 我々は,PAC-DPが,プライバシー予算に適合する従来の固定閾値アプローチを超越していることを示す。
  論文  参考訳（メタデータ） (2026-03-25T07:06:33Z)
• Interpolation-Based Optimization for Enforcing lp-Norm Metric Differential Privacy in Continuous and Fine-Grained Domains [9.320305401683438]
  メートル微分プライバシ(mDP)は、ペア距離に基づいてプライバシー保証を適用することで、ローカル微分プライバシ(LDP)を一般化する。 既存の最適化に基づく手法は、粗いドメインにおけるユーティリティ損失を効果的に削減する。 このような領域で lp-norm mDP を最適化するための計算ベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-15T00:12:54Z)
• PAnDA: Rethinking Metric Differential Privacy Optimization at Scale with Anchor-Based Approximation [7.889420673572309]
  我々は,距離微分プライバシー(mDP)のためのスケーラブルなフレームワークとして,アンカーベース分散近似(PAnDA)による摂動を提案する。 実世界の位置情報データセットの実験により、PAnDAは最大5,000レコードの秘密ドメインにスケールすることを示した。
  論文  参考訳（メタデータ） (2025-09-10T16:14:08Z)
• Machine Learning with Privacy for Protected Attributes [56.44253915927481]
  差分プライバシー(DP)の定義を洗練し、機能差分プライバシー(FDP)と呼ばれるより汎用的で柔軟なフレームワークを作成する。 私たちの定義はシミュレーションに基づいており、プライバシの追加/削除と置き換えの両方が可能で、保護された機能と非保護された機能の任意の分離を処理できます。 各種機械学習タスクにフレームワークを適用し,パブリック機能が利用可能であればDP学習モデルの実用性を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2025-06-24T17:53:28Z)
• 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)
• Mind the Privacy Unit! User-Level Differential Privacy for Language Model Fine-Tuning [62.224804688233]
  差分プライバシ(DP)は、モデルが特定のプライバシユニットで「ほとんど区別できない」ことを保証することで、有望なソリューションを提供する。 ユーザ間でのプライバシー保護の確保に必要なアプリケーションによって動機づけられたユーザレベルのDPについて検討する。
  論文  参考訳（メタデータ） (2024-06-20T13:54:32Z)
• Privacy Amplification for the Gaussian Mechanism via Bounded Support [64.86780616066575]
  インスタンスごとの差分プライバシー(pDP)やフィッシャー情報損失(FIL)といったデータ依存のプライバシ会計フレームワークは、固定されたトレーニングデータセット内の個人に対してきめ細かいプライバシー保証を提供する。 本稿では,データ依存会計下でのプライバシ保証を向上することを示すとともに,バウンドサポートによるガウス機構の簡単な修正を提案する。
  論文  参考訳（メタデータ） (2024-03-07T21:22:07Z)
• Conciliating Privacy and Utility in Data Releases via Individual Differential Privacy and Microaggregation [4.287502453001108]
  $epsilon$-Differential Privacy(DP)は、強力なプライバシ保証を提供するよく知られたプライバシモデルである。 被験者にDPと同じ保護を提供しながらデータ歪みを低減させるiDP ($epsilon$-individual differential privacy) を提案する。 本稿では,2次データ解析の精度を著しく低下させることのない保護データを提供しながら,我々のアプローチが強力なプライバシ(小額のepsilon$)を提供することを示す実験について報告する。
  論文  参考訳（メタデータ） (2023-12-21T10:23:18Z)
• Federated Learning with Local Differential Privacy: Trade-offs between Privacy, Utility, and Communication [22.171647103023773]
  フェデレートラーニング(FL)は、分散された構造のため、大量のデータをプライベートにトレーニングすることができる。 SGDを用いたFLモデルにおいて,ユーザデータのローカル差分プライバシー(LDP)を維持するためのガウス的メカニズムを検討する。 その結果,既存のプライバシ会計法と比較して,実用性が大きく,伝送速度も低いことが保証された。
  論文  参考訳（メタデータ） (2021-02-09T10:04:18Z)

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。