論文の概要: Game-Theoretic Framework for Private Data Sharing in Vehicular Networks
- arxiv url: http://arxiv.org/abs/2606.22115v1
- Date: Sat, 20 Jun 2026 15:54:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 22:46:09.116737
- Title: Game-Theoretic Framework for Private Data Sharing in Vehicular Networks
- Title（参考訳）: ベクトルネットワークにおけるプライベートデータ共有のためのゲーム理論フレームワーク
- Authors: Yousef AlSaqabi, Yinan Zhou, Faisal Nawab, Bhaskar Krishnamachari,
- Abstract要約: 本稿では,分散車載データ収集システムにおけるプライバシとスケーラビリティの向上を目的とした,新たなゲーム理論フレームワークを提案する。
我々のフレームワークは、データ消費者だけが完全に集約されたデータにアクセスできることを保証します。
実世界の車載位置データを用いて,我々のフレームワークを実証的に検証する。
- 参考スコア（独自算出の注目度）: 5.871863362316698
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a novel game-theoretic framework designed to enhance privacy and scalability in decentralized vehicular data collection systems. The proposed hybrid architecture comprises vehicles that supply sensor data, independent servers that process data via secure multiparty computation, a coordinator node that manages data flow, and data consumers that set economic incentives. Crucially, our framework ensures that only the data consumer can access the fully aggregated data, preventing individual raw data exposure and significantly reducing privacy risks. By integrating principles of the Stackelberg competition from game theory, our approach dynamically balances privacy and economic incentives, enabling vehicles to make participation decisions based on perceived privacy risks and incentives. We empirically validate our framework using real-world vehicular location data, quantifying privacy risks by evaluating the accuracy with which a potential adversary can reconstruct a vehicle's path using only a subset of the shared data. This paper details the development and deployment of a data-trading platform within this framework, introducing a practical and privacy-preserving marketplace for profitable vehicle data sharing. Through experiments and simulations, we evaluate the effectiveness of the system in preserving privacy and explore the dynamics that influence vehicle participation. Our findings highlight the robustness of the proposed framework in preserving privacy while supporting an active data market.
- Abstract（参考訳）: 本稿では,分散車載データ収集システムにおけるプライバシとスケーラビリティの向上を目的とした,新たなゲーム理論フレームワークを提案する。
提案するハイブリッドアーキテクチャは,センサデータを供給する車両,セキュアなマルチパーティ計算によるデータ処理を行う独立サーバ,データフローを管理するコーディネータノード,経済的なインセンティブを設定するデータコンシューマで構成される。
重要なことは、当社のフレームワークは、完全に集約されたデータにデータ消費者だけがアクセスできることを保証し、個々の生データの露出を防止し、プライバシーリスクを著しく低減します。
Stackelbergの競争原理をゲーム理論と組み合わせることで、当社のアプローチは、プライバシと経済的インセンティブを動的にバランスさせ、車両が認識されるプライバシのリスクとインセンティブに基づいて参加決定を行うことを可能にする。
実世界の車両位置データを用いて、我々のフレームワークを実証的に検証し、潜在的な敵が共有データのサブセットのみを用いて車両の経路を再構築できる精度を評価することにより、プライバシーリスクを定量化する。
本稿では、このフレームワークにおけるデータトレーディングプラットフォームの開発と展開について詳述し、収益性のある車両データ共有のための実用的かつプライバシ保護市場を紹介した。
実験とシミュレーションを通じて,プライバシ保護におけるシステムの有効性を評価し,車両の参加に影響を及ぼすダイナミクスを探求する。
この結果から,アクティブなデータ市場をサポートしながらプライバシを保護する上で,提案するフレームワークの堅牢性を強調した。
関連論文リスト
- How Safe Is Your Data in Connected and Autonomous Cars: A Consumer Advantage or a Privacy Nightmare ? [21.526036185120287]
車両間通信(V2X)により、自動運転車は現実世界のエンティティと大量のデータを生成および交換することができる。
本稿では、CAVにおけるデータ共有の多面的性質を考察し、そのイノベーションと関連する脆弱性に対する貢献を分析した。
堅牢なポリシーと倫理的なデータ管理プラクティスに対する緊急の要求を強調します。
論文 参考訳（メタデータ） (2026-01-18T06:45:21Z) - Privacy-Preserving Dataset Combination [1.0485433579460999]
SecureKLは、プライバシリークをゼロとしたデータセットからデータセット評価のためのプロトコルである。
SecureKLはソースデータセットを候補に対して評価し、プライベートな計算で内部的にデータセット分散メトリクスを実行する。
現実世界のデータでは、SecureKLは高い一貫性(90%以上の非民間データとの相関関係)を実現し、有益なデータコラボレーションの特定に成功している。
論文 参考訳（メタデータ） (2025-02-09T03:54:17Z) - Decentralized Multimedia Data Sharing in IoV: A Learning-based Equilibrium of Supply and Demand [57.82021900505197]
インターネット・オブ・ビークルズ(IoV)は、道路の安全性を高め、交通渋滞を軽減し、インフォテインメントアプリケーションを通じてユーザーエクスペリエンスを向上させることにより、交通システムを変革する大きな可能性を秘めている。
分散データ共有は、セキュリティ、プライバシ、信頼性を改善し、IoVにおけるインフォテインメントデータの共有を容易にする。
市場における需給バランスを学習するための多知能強化学習に基づく分散型データ共有インセンティブ機構を提案する。
論文 参考訳（メタデータ） (2024-03-29T14:58:28Z) - CaPS: Collaborative and Private Synthetic Data Generation from Distributed Sources [5.898893619901382]
分散データホルダから合成データの協調的かつプライベートな生成のためのフレームワークを提案する。
我々は信頼されたアグリゲータをセキュアなマルチパーティ計算プロトコルに置き換え、差分プライバシー(DP)を介してプライバシを出力する。
MWEM+PGMおよびAIMの最先端選択測度生成アルゴリズムに対するアプローチの適用性とスケーラビリティを実証する。
論文 参考訳（メタデータ） (2024-02-13T17:26:32Z) - A Unified View of Differentially Private Deep Generative Modeling [60.72161965018005]
プライバシー上の懸念のあるデータには、データアクセスとデータ共有を頻繁に禁止する厳格な規制が伴う。
これらの障害を克服することは、プライバシーに敏感なデータを含む多くの現実世界のアプリケーションシナリオにおいて、技術的進歩の鍵となる。
差分的プライベート(DP)データパブリッシングは、データの衛生化された形式のみを公開する、魅力的なソリューションを提供する。
論文 参考訳（メタデータ） (2023-09-27T14:38:16Z) - Blockchain-empowered Federated Learning for Healthcare Metaverses:
User-centric Incentive Mechanism with Optimal Data Freshness [66.3982155172418]
まず、医療メタバースのための分散型フェデレートラーニング(FL)に基づく、ユーザ中心のプライバシ保護フレームワークを設計する。
次に,情報時代(AoI)を有効データ更新度指標として利用し,観測理論(PT)に基づくAoIベースの契約理論モデルを提案し,センシングデータ共有の動機付けを行う。
論文 参考訳（メタデータ） (2023-07-29T12:54:03Z) - Auditing and Generating Synthetic Data with Controllable Trust Trade-offs [54.262044436203965]
合成データセットとAIモデルを包括的に評価する総合監査フレームワークを導入する。
バイアスや差別の防止、ソースデータへの忠実性の確保、実用性、堅牢性、プライバシ保護などに焦点を当てている。
多様なユースケースにまたがる様々な生成モデルを監査することにより,フレームワークの有効性を実証する。
論文 参考訳（メタデータ） (2023-04-21T09:03:18Z) - Lessons from the AdKDD'21 Privacy-Preserving ML Challenge [57.365745458033075]
W3Cの顕著な提案では、過去のディスプレイの集計された、差別化されたプライベートなレポートを通じてのみ広告信号を共有することができる。
この提案を広く研究するために、AdKDD'21でオープンなプライバシ保護機械学習チャレンジが行われた。
重要な発見は、大量の集約されたデータの小さな集合が存在する場合の学習モデルは驚くほど効率的で安価であることである。
論文 参考訳（メタデータ） (2022-01-31T11:09:59Z)
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。