論文の概要: Channel Chart Location Privacy Based on Geo-Indistinguishability
- arxiv url: http://arxiv.org/abs/2606.03571v1
- Date: Tue, 02 Jun 2026 12:39:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-03 22:00:04.999012
- Title: Channel Chart Location Privacy Based on Geo-Indistinguishability
- Title（参考訳）: 地理的不特定性に基づくチャネルチャート位置プライバシー
- Authors: Atsu Kokuvi Angélo Passah, Rodrigo C. de Lamare, Arsenia Chorti,
- Abstract要約: チャネルチャートは、チャネルチャートからの擬似位置を利用して、明示的な位置情報を必要とすることなく、ロケーションベースのサービス(LBS)を可能にする。
この性質は固有のプライバシー上の優位性を示しているが、正式なプライバシー保証を提供していない。
チャネルチャート化では,地理識別可能性(GI)をチャネルチャート化表現に拡張したCLI(Chart location indistinguishability)と呼ばれる位置情報のプライバシに対処する。
- 参考スコア（独自算出の注目度）: 15.01668968424277
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Channel charting enables location-based services (LBSs) without requiring explicit position information by using pseudo-locations from the channel chart. While this property implies inherent privacy advantages, it does not provide formal privacy guarantees. In this work, we address location privacy in channel charting referred to as chart location indistinguishability (CLI), which extends geo-indistinguishability (GI) to channel charting representations. In order to achieve CLI, a standard planar Laplace mechanism is investigated and a geometry-aware Mahalanobis norm planar Laplace (MNPL) mechanism is devised. The proposed MNPL mechanism perturbs the channel chart by injecting noise aligned with the local structure of the chart. In the CLI framework with MNPL, privacy is defined in latent channel chart manifolds using locally adaptive covariance derived from chart neighborhoods, while preserving manifold topology under privacy constraints. In addition, differential privacy is considered as a privacy baseline. The proposed approach is evaluated across multiple channel charting schemes. The performance is assessed using utility metrics such as quality loss (QL) and range query error (RQE), as well as geometry-aware metrics including trustworthiness (TW) and continuity (CT). Numerical results demonstrate that the proposed privacy mechanism provides strong privacy guarantees while preserving the channel chart for LBSs tasks.
- Abstract（参考訳）: チャネルチャートは、チャネルチャートからの擬似位置を利用して、明示的な位置情報を必要とすることなく、ロケーションベースのサービス(LBS)を可能にする。
この性質は固有のプライバシー上の優位性を示しているが、正式なプライバシー保証を提供していない。
本研究は, チャネルチャート化において, 地理的不特定性(GI)をチャネルチャート化表現に拡張したCLI (Chart location indistinguishability) と呼ばれる位置プライバシーに対処する。
CLIを実現するために,標準的な平面ラプラス機構を調査し,MNPL(Mahalanobis norm Planar Laplace)機構を考案した。
提案したMNPL機構は、チャートの局所構造に整合したノイズを注入することにより、チャネルチャートを摂動させる。
MNPLを用いたCLIフレームワークにおいて、プライバシーは、グラフ近傍から導かれる局所適応共分散を用いて、プライバシー制約の下で多様体トポロジーを保ちながら、潜在チャネルチャート多様体で定義される。
さらに、差分プライバシーはプライバシベースラインと見なされている。
提案手法は,複数のチャネルチャートにまたがって評価される。
パフォーマンスは、品質損失(QL)やレンジクエリエラー(RQE)といったユーティリティメトリクスと、信頼性(TW)や継続性(CT)といったジオメトリ対応メトリクスを使用して評価される。
数値的な結果は,LBSタスクのチャネルチャートを保存しながら,提案するプライバシ機構が強力なプライバシ保証を提供することを示している。
関連論文リスト
- Privacy Without Losing Place: A Paradigm for Private Retrieval in Spatial RAGs [5.928512439824825]
PASは、アンカー、方向ビン、距離ビンからなる相対的なアンカーエンコーディングを持つ位置を表す。
我々は,合成都市データセット上でPASを評価し,約370～400mの逆位置誤差を伴って,粗いプライバシー保証を実現することを示す。
論文 参考訳（メタデータ） (2026-05-06T21:33:43Z) - Differentially Private Manifold Denoising [5.0794787043927725]
本稿では,ノイズの多い非プライベートな問合せ点の修正にセンシティブな参照データセットを活用可能な,微分プライベートなデノベーションフレームワークを提案する。
このフレームワークは、$(varepsilon,)$-differential privacy (DP)を使用して反復およびクエリ間で厳格なプライバシ会計を実行する。
実際には、このフレームワークは多様体メソッドに差分プライバシーをもたらし、埋め込み、クラスタリング、可視化といった下流タスクに十分な幾何学的信号を保持する。
論文 参考訳（メタデータ） (2026-04-01T14:13:59Z) - Spectral Graph Clustering under Differential Privacy: Balancing Privacy, Accuracy, and Efficiency [53.98433419539793]
エッジ差分プライバシー(DP)下におけるスペクトルグラフクラスタリングの問題点について検討する。
具体的には, (i) エッジフリップによるグラフ摂動と, エッジプライバシを強制する隣接行列シャッフルを併用したグラフ摂動, (ii) 次元と複雑性の複雑さを低減するために低次元空間における加法的ガウス雑音を伴うプライベートグラフプロジェクション, (iii) 収束性を維持しながらエッジDPを確保するために反復的にガウス雑音を分散するノイズの多いパワーイテレーション手法である。
論文 参考訳（メタデータ） (2025-10-08T15:30:27Z) - AVEC: Bootstrapping Privacy for Local LLMs [0.0]
AVECは、ローカル言語モデルのプライバシーをブートストラップするフレームワークである。
委譲クエリの明確な検証性によって、エッジでプライバシを強制する。
論文 参考訳（メタデータ） (2025-09-10T07:59:01Z) - Signal Recovery from Random Dot-Product Graphs Under Local Differential Privacy [0.6906005491572401]
我々は、$varepsilon$-edgeローカル差分プライバシーの下でグラフから潜伏情報を復元する問題を考察する。
一般化されたランダムドット積グラフのクラスについて、標準的な局所微分プライバシー機構が潜在位置における特定の幾何学的歪みを誘導することを示す。
民営化グラフの統計的推測手順を適切に調整することにより、潜伏位置の一貫した回復が達成可能であることを示す。
論文 参考訳（メタデータ） (2025-04-24T06:02:02Z) - Differentially Private Wireless Federated Learning Using Orthogonal
Sequences [56.52483669820023]
本稿では,FLORAS と呼ばれる AirComp 法を提案する。
FLORASはアイテムレベルとクライアントレベルの差分プライバシー保証の両方を提供する。
新たなFL収束バウンダリが導出され、プライバシー保証と組み合わせることで、達成された収束率と差分プライバシーレベルのスムーズなトレードオフが可能になる。
論文 参考訳（メタデータ） (2023-06-14T06:35:10Z) - Stability of Aggregation Graph Neural Networks [153.70485149740608]
グラフの摂動を考慮したアグリゲーショングラフニューラルネットワーク(Agg-GNN)の安定性特性について検討した。
安定性境界は各ノードに作用するCNNの第1層におけるフィルタの特性によって定義される。
また、Agg-GNNでは、写像演算子の選択性は、CNNステージの第1層においてのみフィルタの特性に結びついていると結論付けている。
論文 参考訳（メタデータ） (2022-07-08T03:54:52Z) - Semi-Supervised Learning for Channel Charting-Aided IoT Localization in
Millimeter Wave Networks [97.66522637417636]
ミリ波ネットワークにおけるチャネルチャート(CC)支援の新たな枠組みを提案する。
特に,無線機器の3次元位置を推定するために,畳み込み型オートエンコーダモデルを提案する。
フレームワークは半教師付きフレームワークに拡張され、オートエンコーダは2つのコンポーネントに分割される。
論文 参考訳（メタデータ） (2021-08-03T14:41:38Z) - PGLP: Customizable and Rigorous Location Privacy through Policy Graph [68.3736286350014]
我々はPGLPと呼ばれる新しい位置プライバシーの概念を提案し、カスタマイズ可能で厳格なプライバシー保証を備えたプライベートロケーションをリリースするためのリッチなインターフェースを提供する。
具体的には,ユーザの位置プライバシー要件を,表現的かつカスタマイズ可能なテキスト配置ポリシーグラフを用いて形式化する。
第3に、位置露光の検出、ポリシーグラフの修復、およびカスタマイズ可能な厳格な位置プライバシーを備えたプライベートな軌跡リリースをパイプライン化する、プライベートな位置トレースリリースフレームワークを設計する。
論文 参考訳（メタデータ） (2020-05-04T04:25:59Z)
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。