该研究提出了一种基于可视化隐私顾问的方法，在图像内容方面扩展用户的隐私设置，以减轻用户分享图片带来的隐私风险和隐私泄露的风险。通过将个人信息映射为图像属性，从图像直接预测个人信息，了解不同用户在隐私属性方面的偏好，并在此基础上提出模型以预测用户在隐私风险方面的表现，并在一定程度上优于用户自己的隐私风险认知。

Mar, 2017

本文采用卷积神经网络以及深度学习方法，通过对地球表面进行多尺度地理单元的细分，结合图像中的地标、天气模式、植被、道路标记和建筑细节等线索，利用海量地理标记图像进行分类，建立了一个名为 PlaNet 的模型，旨在通过照片图像实现定位识别，并结合长短时记忆神经网络，提高模型识别不确定图片的地理定位准确率。

Feb, 2016

机器学习和位置数据的隐私攻击对隐私造成了显著风险，并且需要隐私监管来保护个人的位置信息。

Oct, 2023

该研究探讨了地理隐私在增加的在线数据共享和信息收集技术进展的背景下被低估的问题，并重点关注了这些发展对个人隐私的影响。研究通过开发名为 “Dr. Watson” 的基于 GPT-4 的高级 AI 工具，从公开数据源中分析和提取地理信息，展示了这些技术的潜在风险，并揭示了当前地理隐私措施的漏洞。结论强调了在高级 AI 和广泛社交媒体使用时，加强对地理隐私泄露的意识和保护措施的紧迫性。

Nov, 2023

本文研究并提出了一种基于深度特征和图像标签的图像隐私预测方法，结果表明该方法明显优于基于 SIFT 和 GIST 等基准线的方法以及采用 “标签袋” 作为特征的方法。

Oct, 2015

本研究通过利用 GPS 坐标，探索了将位置信息与卷积神经网络相结合进行图像分类的方法，并在 Yahoo Flickr Creative Commons 100M 数据集的子集上进行了评估，证明了这种方法可以使平均精度提高近 7%。

May, 2015

该论文提出了一种保护隐私的基于图像的定位解决方案 —— 使用三维线云的地图表示替代三维点云，从而确保足够的几何约束以实现可靠和精确的六自由度相机姿态估计。

Mar, 2019

本文研究了利用卷积神经网络和用户标签来自动预测图像的隐私，并将不同卷积神经网络中提取的深度特征进行比较，结果表明使用 ResNet 提取的特征的学习模型在图像隐私预测方面优于其他模型。同时，该研究结果还表明深度视觉特征和图像标签的组合可以提高预测性能。

Mar, 2019

提出了一种称为组合划分的简单但有效的算法，该算法通过相交多个粗粒度分割地球的分割方式，生成大量细粒度的输出类，使我们能够在细粒度上预测位置，同时为每个类别保持足够的训练示例。该算法在多个基准数据集上实现了最先进的位置识别性能。

Aug, 2018

为了更好地理解和量化基于移动数据的机器学习模型的隐私泄露情况，我们设计了一个隐私攻击套件，其中包含数据提取和成员推断攻击，针对最广泛使用的基于兴趣点推荐模型之一进行定制。我们的实证评估使用了两个真实世界的移动数据集，证明了当前的兴趣点推荐模型容易受到我们的攻击。我们还提供了独特的发现，以了解哪种类型的移动数据更容易受到隐私攻击。最后，我们评估了对抗这些攻击的防御方法，并强调了未来的方向和挑战。

Oct, 2023