交通领域差分隐私时空数据综述
密码学与安全
2024-07-24 v1 计算机与社会
机器学习
统计方法学
机器学习
摘要
随着低成本计算设备、改进的传感器技术以及数据驱动算法的普及，我们拥有的海量数据远超我们所能应对的能力。在交通领域，我们正看到时空数据收集的激增。与此同时，关于用户隐私的关注导致了在实际场景中应用差分隐私的研究。在本文中，我们审视了在时空数据背景下的最新差分隐私发展。时空数据不仅包含关于用户的特征，还包含其频繁访问的地理位置。因此，此类数据的公开释放极大地构成风险。为在不暴露私人信息的前提下满足该类数据在研究和推断中的需求，已提出大量工作。本综述旨在总结这些努力，并提供差分隐私机制及相关软件的综述。我们还讨论了交通领域应用此类机制的相关工作。此外，我们讨论了在交通时空数据中部署和大规模采纳差分隐私以支持下游分析的挑战。
引用
@article{arxiv.2407.15868,
title = {A Survey on Differential Privacy for SpatioTemporal Data in Transportation Research},
author = {Rahul Bhadani},
journal= {arXiv preprint arXiv:2407.15868},
year = {2024}
}