論文の概要: Secrets Everywhere: Auditing Memorization in Mobility Prediction Models

• arxiv url: http://arxiv.org/abs/2608.02052v1
• Date: Mon, 03 Aug 2026 10:47:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 21:56:46.383527
• Title: Secrets Everywhere: Auditing Memorization in Mobility Prediction Models
• Title（参考訳）: あらゆる場所で秘密: モビリティ予測モデルにおける記憶の監査
• Abstract要約: 我々は,モビリティ予測モデルにおいて,初めて記憶の体系的な監査を行う。 主な課題は、ランダム性空間の欠如、軌道のマルチスケール構造、ユーザ固有の行動多様性である。 以上の結果から,モビリティ予測モデルにおける必須プライバシー監査の必要性が示唆された。
• 参考スコア（独自算出の注目度）: 3.476159749530156
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human mobility prediction models, which forecast the next location in a user's trajectory, are increasingly deployed in urban analytics, navigation, and personalized services. Yet, little is known about their potential to memorize and expose sensitive user trajectories from training data. While memorization has been extensively studied in language models, mobility prediction poses unique challenges: training sequences encode human behavior at various spatial and temporal scales, creating privacy risks at different granularities. In this paper, we conduct the first systematic audit of memorization in mobility prediction models. While prior work has shown that privacy leaks can arise from such models, we systematically assess and quantify memorization risks at scale. We identify key challenges, including the lack of a randomness space, the multi-scale structure of trajectories, and user-specific behavioral diversity. To address these challenges, we introduce a framework to quantify mobility memorization at different levels of granularity: individual locations, anchor pairs, and subtrajectory segments. We also develop user-grounded reference sets to assess how likely a model is to prefer training data over realistic alternatives. Our evaluation across multiple models and datasets reveals pervasive memorization patterns that correlate with user regularity and increase the risk of data extraction at inference time. Our findings call for mandatory privacy auditing in mobility prediction models.
• Abstract（参考訳）: ユーザの軌道における次の位置を予測するヒューマンモビリティ予測モデルは、都市分析、ナビゲーション、パーソナライズされたサービスにますます多くデプロイされている。 しかし、トレーニングデータからセンシティブなユーザートラジェクトリを記憶し、公開する可能性についてはほとんど分かっていない。 メモリ化は言語モデルで広く研究されているが、モビリティ予測は、様々な空間的、時間的スケールで人間の振る舞いを符号化するトレーニングシーケンスや、異なる粒度のプライバシーリスクなど、ユニークな課題を生んでいる。 本稿では,モビリティ予測モデルにおける記憶の体系化を初めて実施する。 これまでの研究では、そのようなモデルからプライバシーリークが発生することが示されているが、我々は大規模に記憶のリスクを体系的に評価し、定量化する。 ランダム性空間の欠如、軌道のマルチスケール構造、ユーザ固有の行動多様性など、重要な課題を識別する。 これらの課題に対処するために,個々の位置,アンカーペア,サブトラジェクティブセグメントといった,さまざまなレベルの粒度でモビリティ記憶を定量化する枠組みを導入する。 また,モデルが現実的な代替手段よりもトレーニングデータを好む可能性を評価するために,ユーザグラウンドの参照セットも開発しています。 複数のモデルとデータセットで評価した結果,ユーザの規則性と相関し,推測時のデータ抽出のリスクを増大させる,広範囲な記憶パターンが明らかになった。 以上の結果から,モビリティ予測モデルにおける必須プライバシー監査の必要性が示唆された。

関連論文リスト

• BehaviorBench: Modeling Real-World User Decisions from Behavioral Traces [53.55407626944686]
  textscBehaviorBenchは、実世界の行動トレースからパーソナライズされた意思決定モデリングを評価するためのベンチマークである。 textscBehaviorBenchは、公開市場とオンチェーンの記録からウォレットレベルの意思決定履歴を再構築する。 2,000以上の評価ウォレットで、ベンチマークには141,445のBeliefインスタンスと1,485,972のTradeインスタンスが含まれている。
  論文  参考訳（メタデータ） (2026-06-01T19:04:36Z)
• Training Machine Learning Models on Human Spatio-temporal Mobility Data: An Experimental Study [Experiment Paper] [0.5382679710017696]
  個人レベルの人体移動予測は、感染症のモニタリング、子供、高齢者のケアへの応用に関する重要な研究のトピックとして浮上している。 機械学習モデルをトレーニングするためのベストプラクティスを決定すること。 意味情報を明示的に含めることで、モデルが生活の個々のパターンをよりよく理解し、予測を改善することができることを示す。
  論文  参考訳（メタデータ） (2025-08-18T17:49:10Z)
• Into the Unknown: Applying Inductive Spatial-Semantic Location Embeddings for Predicting Individuals' Mobility Beyond Visited Places [3.131843231859519]
  CaLLiPerは、コントラスト学習を通じて関心点の空間座標と意味的特徴を融合する表現学習フレームワークである。 本研究は, マルチモーダル・インダクティブな位置埋め込みが, 人間の移動予測システムの能力向上に有効であることを示すものである。
  論文  参考訳（メタデータ） (2025-06-17T00:00:09Z)
• New Emerged Security and Privacy of Pre-trained Model: a Survey and Outlook [54.24701201956833]
  セキュリティとプライバシーの問題は、事前訓練されたモデルに対するユーザーの信頼を損なう。 現在の文献は、事前訓練されたモデルに対する攻撃と防御の明確な分類を欠いている。 この分類法は、攻撃と防御をNo-Change、Input-Change、Model-Changeアプローチに分類する。
  論文  参考訳（メタデータ） (2024-11-12T10:15:33Z)
• 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)
• JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
  ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。 このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。 本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
  論文  参考訳（メタデータ） (2023-11-05T18:59:31Z)
• Survey of Federated Learning Models for Spatial-Temporal Mobility Applications [9.896508514316812]
  フェデレートラーニング(FL)は、空間時間モデルを訓練するための理想的な候補として機能する。 既存の時空間モデルから分散学習への移行には,ユニークな課題がある。
  論文  参考訳（メタデータ） (2023-05-09T08:26:48Z)
• Enhancing Multiple Reliability Measures via Nuisance-extended Information Bottleneck [77.37409441129995]
  トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。 我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。 そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
  論文  参考訳（メタデータ） (2023-03-24T16:03:21Z)
• Context-aware multi-head self-attentional neural network model for next location prediction [19.640761373993417]
  我々は、歴史的位置情報から位置パターンを学習するマルチヘッド自己注意ニューラルネットワーク(A)を利用する。 提案モデルが他の最先端予測モデルより優れていることを示す。 我々は,提案モデルが文脈を考慮した移動予測に不可欠であると信じている。
  論文  参考訳（メタデータ） (2022-12-04T23:40:14Z)
• Synthetic Model Combination: An Instance-wise Approach to Unsupervised Ensemble Learning [92.89846887298852]
  ラベル付きデータのトレーニングセットから学ぶ機会のない、新しいテストデータに対する予測を検討する。 専門家モデルのセットと予測へのアクセスと、トレーニングに使用するデータセットに関する制限された情報を提供すること。
  論文  参考訳（メタデータ） (2022-10-11T10:20:31Z)
• Leveraging Adversarial Examples to Quantify Membership Information Leakage [30.55736840515317]
  パターン認識モデルにおけるメンバシップ推論の問題に対処する新しいアプローチを開発する。 この量はトレーニングデータに属する可能性を反映していると我々は主張する。 我々の手法は、最先端の戦略に匹敵する、あるいは上回る性能を発揮する。
  論文  参考訳（メタデータ） (2022-03-17T19:09:38Z)
• Diverse Complexity Measures for Dataset Curation in Self-driving [80.55417232642124]
  トラフィックシーンの面白さを定量化する多様な基準を活用した新たなデータ選択手法を提案する。 実験の結果,提案するキュレーションパイプラインは,より汎用的で高いパフォーマンスをもたらすデータセットを選択できることが判明した。
  論文  参考訳（メタデータ） (2021-01-16T23:45:02Z)

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。