Mar, 2024

SoK: 轨迹生成是否可以兼顾隐私和效用？

PDF
TL;DR定义五个设计目标的隐私保护轨迹发布方法，以选择适当的隐私单元为重点。在此框架下，对现有的轨迹保护方法进行了简要讨论，并强调它们的不足之处。本工作聚焦于在所提出的框架下对轨迹的最新生成模型进行系统化。我们发现目前没有现有的解决方案能够满足所有需求。因此，我们进行了一个实验研究，评估六个顺序生成模型在轨迹领域的适用性。最后，我们得出结论，提供语义保证的生成轨迹模型仍然是一个开放的研究问题，并提出了未来研究的具体下一步。
location trajectoriesdifferentially private publicationsynthetic trajectory data generationprivacy-preserving trajectory publicationgenerative trajectory models
发现论文，激发创造
  • GPS 轨迹生成的扩散模型

    本文提出基于扩散模型的轨迹生成框架 Diff-Traj，并通过轨迹 UNet (Traj-UNet) 结构提取轨迹特征，使其能视为高质量的轨迹生成应用程序，并保留原始分布。

    Apr, 2023

  • 合成数据 -- 匿名化之地普通日

    评估了现有生成模型绘制的合成数据的隐私保护优势，发现与传统的匿名化技术相比，其提供的隐私保护水平无法预测且数据效用低下，并不存在更好的隐私保护与数据效用均衡的解决方案。

    Nov, 2020

  • 基于点密度和分割的轨迹 K - 匿名模型

    为了保护用户的轨迹数据隐私，本文提出了一种基于点密度和分区的轨迹 K - 匿名模型 (KPDP)，它在轨迹集分区前处理和轨迹聚类算法方面改进了现有的轨迹泛化匿名化技术，成功抵制了重新识别攻击，并减少了 k - 匿名数据集的数据效用损失。实验结果表明，相比其他现有技术，该模型在数据效用和算法执行时间方面具有明显优势。

    Jul, 2023

  • CATS: 条件对抗轨迹合成 用于隐私保护轨迹数据发布的深度学习方法

    利用无处不在的位置感知设备和移动互联网收集用户的海量个体轨迹数据，基于深度学习的 GeoAI 方法论框架 —— 条件对抗轨迹合成（CATS）提供了保护隐私的轨迹数据生成和发布解决方案，该方法应用 K - 匿名来保护人类移动行为的时空分布，通过条件对抗训练、注意力机制和轨迹拓扑的重建，生成高质量的合成轨迹数据，同时提供更好的隐私保护性能和空间 - 时间特征保持，为基于生成性人工智能技术的隐私保护人类移动研究带来新的视角，并探讨地理信息科学中的数据伦理问题。

    Sep, 2023

  • ControTraj：带有拓扑约束的可控轨迹生成

    通过使用拓扑约束扩散模型的可控轨迹生成框架 ControlTraj，该研究提出了一种生成高度保真轨迹的方法，并整合了道路网络拓扑的结构约束，以指导地理结果。

    Apr, 2024

  • 隐私保护的合成教育数据生成

    本文提出了一种保护参与者隐私的教育数据生成模型和比较合成数据生成器的评估框架，阐述了 Naive 假名化可能导致的再识别威胁，并提出了保证隐私的技术。作者还在现有的大规模教育开放数据集上进行了评估。

    Jul, 2022

  • 隐私 - 效用移动模型的公平性分析

    本文定义人类活动中用于衡量公平性的指标，并对几个隐私保护模型在这些指标下的性能进行了比较，结果表明现有的模型虽然可以保证群体公平，但无法保证个体公平，即具有高度相似轨迹的用户获得的隐私保护差异较大，这表明在未来的空间 - 时间数据分析和建模过程中需要同时考虑去识别的任务和个人公平性，以实现隐私保护与公平性的平衡。

    Apr, 2023

  • 一个基于距离的原创全合成数据生成方法的统计属性和隐私保证

    通过开发多步骤的合成数据生成框架并评估其风险效用模型，成功评估了使用该框架生成的数据的质量，展示了开放 - CESP 倡议的技术和概念的可行性。

    Oct, 2023

  • 管理您的私人和公共数据：降低推断攻击对您隐私的威胁

    本文提出了一种隐私保护的实用方法，使用通用的统计推断框架捕获推断攻击下的隐私威胁并满足效用约束，采用隐私保护概率映射技术对发布的数据进行扭曲处理，同时解决了实际中遇到的实用挑战，通过引入量化步骤和减少优化大小的方法，我们的方法在保证数据原版用途的情况下，取得了良好的隐私保护效果。

    Aug, 2014

  • 隐私保护的可扩展性：学习分析中全面综合的合成表格数据生成与评估

    我们提出了一种综合评估合成数据的方法，该方法包括合成数据质量的三个维度：相似性、实用性和隐私性。通过将这种评估应用于三个不同的学习分析数据集以及三种不同的合成数据生成方法，我们的结果表明合成数据可以在保护隐私的同时保持与真实数据相似的实用性。此外，针对不同学习分析场景中不同的隐私和数据实用性需求，我们提出了定制的合成数据生成建议。该论文不仅提供了合成数据的综合评估，还说明了在学习分析领域中缓解隐私问题的潜力，从而促进了合成数据在学习分析中的更广泛应用，推动了开放科学的良好实践。

    Jan, 2024