一种用于活动日志合成的差分隐私多输出深度生成网络方法
机器学习
2021-01-01 v1 密码学与安全
摘要
在这项工作中，我们开发了一种隐私保护设计（privacy-by-design）的生成模型，利用最先进的深度学习方法合成出行人群的活动日志。该方法通过将新颖的深度学习贡献于合成出行数据的开发与应用，同时保证合成人群所基于的样本人群成员的隐私保护，扩展了人口合成方面的文献。首先，我们展示了活动日志的完全去泛化，以模拟地理与时间显式活动的社会经济特征与纵向序列。其次，我们引入了一种差分隐私方法，以控制披露调查参与者独特性的分辨率水平。最后，我们使用生成对抗网络（GANs）进行实验。我们评估了统计分布、两两相关性，并测量了在不同噪声下模拟数据集所保证的隐私水平。模型结果表明，以差分隐私方式成功模拟了由多输出组成的活动日志，包括结构化的社会经济特征与顺序出行活动。
引用
@article{arxiv.2012.14574,
title = {A Differentially Private Multi-Output Deep Generative Networks Approach For Activity Diary Synthesis},
author = {Godwin Badu-Marfo and Bilal Farooq and Zachary Patterson},
journal= {arXiv preprint arXiv:2012.14574},
year = {2021}
}