隐私-效用移动模型公平性分析
机器学习
2023-04-14 v1 人工智能
密码学与安全
计算机与社会
摘要
在共享时空数据集中保护个体隐私对于防止基于独特轨迹的再识别攻击至关重要。现有隐私技术倾向于提出理想的隐私-效用权衡，却在很大程度上忽略了移动模型的公平性影响，以及此类技术对不同用户群体是否表现一致。公平性与隐私感知模型之间的量化关系仍不明确，且几乎不存在用于衡量时空背景下公平性的任何既定指标体系。在本工作中，我们基于轨迹的结构相似度与熵，定义了一组专为人类移动设计的公平性指标。在这些定义下，我们考察了两种最先进的隐私保护模型的公平性，这两种模型依赖GAN与表示学习来降低用户数据共享的再识别率。我们的结果表明，尽管两种模型在人口均等的意义上保证了群体公平性，它们却违反了个体公平性准则，表明具有高度相似轨迹的用户获得了不同的隐私增益。我们得出结论：再识别任务与个体公平性之间的张力需要被考虑，以实现未来时空数据分析与建模的隐私保护公平感知设定。
引用
@article{arxiv.2304.06469,
title = {Analysing Fairness of Privacy-Utility Mobility Models},
author = {Yuting Zhan and Hamed Haddadi and Afra Mashhadi},
journal= {arXiv preprint arXiv:2304.06469},
year = {2023}
}