Jun, 2024

ST-DPGAN：一种隐私保护的时空数据生成框架

PDF
TL;DR提出了一种基于图神经网络生成隐私保护的时空数据的模型，利用空间和时间注意力模块以及时空卷积结构实现了高效的差分隐私训练。通过在真实的时空数据集上进行广泛实验验证了该模型的有效性，能够保证数据的隐私性同时保持数据的实用性，由该生成数据训练的预测模型与原始数据训练的模型具有竞争性能。
发现论文，激发创造
  • PATE-TripleGAN：采用高斯差分隐私的隐私保护图像合成

    通过引入分类器对未标记数据进行预分类并建立三方极小极大博弈，减少对标记数据的依赖性，PATE-TripleGAN 隐私保护训练框架结合 PATE 和 DPSGD 算法，使模型更有效地保留梯度信息，确保隐私保护，并提高模型的效用。

    Apr, 2024

  • 深度时间分解：大规模时空生成模型

    通过提出一种基于 Transformer 的扩散模型（TDDPM）来解决时间序列生成模型在处理移动性数据时的限制和挑战，并在新的综合基准测试中显示了显著的改进和扩展性。

    Jun, 2024

  • 生成合成室内位置数据的差分隐私生成对抗网络

    使用差分隐私生成对抗网络的室内定位框架，为保护隐私同时保持定位系统的准确性提供解决方案。

    Apr, 2024

  • GPT-ST：时空图神经网络的生成式预训练

    该研究提出了一个融入下游基线模型并提升其性能的时空预训练框架，其中包括一个时空蒙版自编码器和一个自适应蒙版策略，通过学习时空依赖关系和不同关系的建模，在交通管理和旅行规划方面取得了显著的效果。

    Nov, 2023

  • 针对时间序列、连续型和离散型开放数据的差分隐私生成对抗网络

    本文提出了一种隐私保护的数据发布框架，该框架基于差分隐私，可以适应不同类型的数据，使用深度学习和生成模型来生成数据，具有良好的效率和实用性，并在法国公共管理和经典基准数据集上进行了验证。

    Jan, 2019

  • 解缠空间时间图生成模型

    该论文旨在通过使用新的解缩深度生成模型，将时空图分解成空间，时间和图形因素以及解释它们之间相互作用的因素，并使用情报瓶颈理论来最大化这些因素之间的解缠，通过定性和定量实验，在合成和现实世界数据集上展示了该模型优于现有技术的表现。

    Feb, 2022

  • 基于时间图的 3D 图卷积网络：交通流量预测中的一种空间信息自由框架

    本文提出了一个新的深度学习框架，名为 3D-TGCN，它通过与传统空间信息不同的方式构建道路图，并提出了一个 3D 图卷积模型来更准确地模拟时空数据，并在实证结果中取得了优于现有基线的未来交通预测精度。

    Mar, 2019

  • 衡量和减轻表格生成模型的隐私风险

    合成数据和生成模型在隐私保护的数据共享解决方案中迅速崛起，并通过在表格综合机上实施全面的实证分析，突出了五种最先进表格综合机的实用 - 隐私权衡，提出了一个新的差分隐私表格潜在扩散模型，称为 DP-TLDM，能够在保持可比较的隐私风险水平的同时，显著提高合成数据的实用性。

    Mar, 2024

  • 时空数据挖掘生成技术综述

    本文研究了将生成技术与时空数据挖掘相结合，探讨了生成技术在捕捉时空数据中的时间和空间依赖性方面的应用，并提出了一个专门用于时空数据挖掘流程的标准化框架。本文旨在增进对这一领域中使用生成技术的各种技术的深入理解，并强调了未来的研究方向，鼓励研究者深入探索时空数据挖掘的巨大潜力。

    May, 2024

  • 时空元对比学习

    提出了一种新的空间 - 时间对比学习（CL4ST）框架，通过 STG 的扩充范式来编码稳健和可推广的 STG 表示，实验证明 CL4ST 在交通和犯罪预测方面明显优于各种最先进的基准模型。

    Oct, 2023