論文の概要: Risk-aware Road-network Trajectory Synthesis under Local Differential Privacy

• arxiv url: http://arxiv.org/abs/2610.16384v1
• Date: Mon, 12 Oct 2026 08:36:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.335911
• Title: Risk-aware Road-network Trajectory Synthesis under Local Differential Privacy
• Title（参考訳）: 局所微分プライバシーを考慮したリスク対応道路網軌道合成
• Abstract要約: ローカルディファレンシャルプライバシ(LDP)下でのロードネットワークトラジェクトリ合成は、信頼できないサーバに生のトラジェクトリをアップロードすることなく、モビリティデータ解析を可能にする。 既存のローカル・プライベート・トラジェクトリ合成法は、ローカル・ロード・ネットワークやトラジェクトリ・コンテキストによって引き起こされる不均一なプライバシーリスクに対処できない。 道路網軌道の局所的プライベート合成フレームワークであるTrajRACEを提案する。
• 参考スコア（独自算出の注目度）: 23.114573764733137
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Road-network trajectory synthesis under local differential privacy (LDP) enables mobility data analysis without uploading raw trajectories to an untrusted server. Existing locally private trajectory synthesis methods mainly model whole trajectories, point sequences, or grid-level mobility patterns. However, they cannot handle non-uniform privacy risks caused by local road-network and trajectory contexts, such as endpoints, long-stay-associated regions, and low-out-degree branches. They also do not directly protect conditional next-hop choices on road networks, where a user's selected successor may reveal sensitive local movement intentions. To address these challenges, we propose TrajRACE, a locally private synthesis framework for road-network trajectories. TrajRACE uses start, segment-count, and transition reports to represent trajectories. For each transition, it keeps the current road segment as a public aggregation context and perturbs the true successor among legal successors on the client side. It then assigns risk-aware protection strengths to transitions according to local road-network and trajectory contexts. Finally, the server recovers population-level start, segment-count, and conditional transition statistics from heterogeneous privatized reports, and generates synthetic trajectories that follow the public road-network topology. Experiments on three road-network trajectory datasets demonstrate the effectiveness of TrajRACE in improving synthetic-data utility across distributional, query-based, and pattern-level metrics, while providing stronger protection for high-risk local transitions.
• Abstract（参考訳）: ローカルディファレンシャルプライバシ(LDP)下でのロードネットワークトラジェクトリ合成は、信頼できないサーバに生のトラジェクトリをアップロードすることなく、モビリティデータ解析を可能にする。 既存のプライベートな軌道合成法は、主に全軌道、点列、グリッドレベルのモビリティパターンをモデル化する。 しかし、ローカルな道路網や軌跡のコンテキスト、例えばエンドポイント、長期関連領域、低外枝などの不均一なプライバシーリスクには対処できない。 また、利用者が選択した後継機が繊細な局所移動意図を明らかにする道路網上での条件付き次ホップ選択を直接保護しない。 これらの課題に対処するため,道路網軌道の局所的プライベート合成フレームワークであるTrajRACEを提案する。 TrajRACEは、トラジェクトリを表現するために、スタート、セグメントカウント、トランジションレポートを使用する。 移行毎に、現在の道路セグメントを公開アグリゲーションコンテキストとして保持し、クライアント側の法的な継承者の間で真の後継者を混乱させます。 次に、局所的な道路網や軌道状況に応じて、リスク認識保護の強度を遷移に割り当てる。 最後に、不均一な民営化報告から人口レベルスタート、セグメント数、条件遷移統計を復元し、公道ネットワークトポロジに従う合成軌跡を生成する。 3つのロードネットワークトラジェクトリデータセットの実験は、TrajRACEが分散、クエリベース、パターンレベルのメトリクスにまたがって合成データの有用性を改善するのに有効であることを示し、高リスクなローカルトランジションに対するより強力な保護を提供する。

関連論文リスト

• Looking Ahead and Back: Anticipatory Generative Modeling for Road-Network Trajectories [48.47709663489784]
  軌道生成は交通管理や都市計画などの都市利用を支えている。 既存の生成手法は位置列をシミュレートし、次の遷移選択に失敗する。 我々は,新しいグラフ制約付き生成パラダイム,予測生成モデルを導入する。
  論文  参考訳（メタデータ） (2026-10-09T07:23:32Z)
• AutoPath: Learning Transferable Goal-Conditioned Stochastic Path Prior for Safe Navigation Without Human Demonstrations [103.61864552260316]
  動的環境におけるリアルタイムナビゲーションは、限られた知覚下での衝突のない、動的に実現可能な動きを必要とする。 我々は,移動可能な目標整合経路の学習としてナビゲーションを定式化し,局所的な観測に基づいて,目標整合な局所経路上の再利用可能な分布をモデル化する。 我々は、幾何対応の極性行動多様体を用いて局所経路をパラメータ化し、安定かつ安全対応の計画のためのマルチゴール分散ロールアウトによるリスク感応性ユーティリティシェーピングを含む構造化された事前学習フレームワークを開発した。
  論文  参考訳（メタデータ） (2026-07-13T16:00:41Z)
• Beyond Waypoints: A Trajectory-Centric Waypointing Paradigm for Vision-Language Navigation [79.12557132788139]
  VLN-CE(Vision-Language Navigation in Continuous Environments)では、エージェントが現実世界のような環境でナビゲートしながら自然言語の指示に従う必要がある。 ほとんどのVLN-CEアプローチでは、ウェイポイント予測器がウェイポイントを提案し、ナビゲータが最良のウェイポイントを選択する。 提案手法は,各候補の経路点を実行可能な軌道に配置する,トラジェクトリ・ウェイポイントという新しいパラダイムを導入する。
  論文  参考訳（メタデータ） (2026-06-05T13:11:39Z)
• Unifying Environment Perception and Route Choice Modeling for Trajectory Representation Learning [47.00223863430964]
  Tray Learning (TRL) は、低次元ベクトルに生の軌跡をエンコードすることを目的としており、旅行時間推定、位置予測、軌道類似性解析など様々な下流タスクに活用できる。 効率的なtextbfPRTrajectory表現学習のための時間的明示的textRoute選択モデルであるtextbfPRTrajを提案する。
  論文  参考訳（メタデータ） (2025-10-16T15:55:28Z)
• TransferLight: Zero-Shot Traffic Signal Control on any Road-Network [0.6274767633959003]
  TransferLightは、ロードネットワーク全体の堅牢な一般化のために設計された新しいフレームワークである。 階層的で、異質で、有向的なグラフニューラルネットワークアーキテクチャは、トラフィックの粒度の動態を効果的に捉えます。 我々は、ゼロショットを任意の道路ネットワークに再トレーニングせずにスケールする、単一の重み付けポリシーを開発した。
  論文  参考訳（メタデータ） (2024-12-12T20:52:12Z)
• ControlTraj: Controllable Trajectory Generation with Topology-Constrained Diffusion Model [39.0442700565278]
  ControlTrajは、トポロジ制約付き拡散モデルを備えた、制御可能なトラジェクトリ生成フレームワークである。 道路セグメントの微細な埋め込みを抽出する新しい道路セグメントオートエンコーダを開発した。 符号化された特徴とトリップ属性は、後に提案された地理的なUNetアーキテクチャにマージされる。
  論文  参考訳（メタデータ） (2024-04-23T09:42:45Z)
• Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
  粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。 本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。 提案手法は,高品質なトラフィックフローマップを作成できる。
  論文  参考訳（メタデータ） (2021-09-29T07:51:49Z)

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。