CATS：基于深度学习方法的条件对抗轨迹合成用于隐私保护轨迹数据发布
机器学习
2023-09-22 v1 人工智能
密码学与安全
摘要
普适位置感知设备与移动网络的盛行使我们能够从用户处收集海量个体级轨迹数据集。此类轨迹大数据为人类移动性研究带来新机遇，但也引发公众对位置隐私的担忧。本工作中，我们提出条件对抗轨迹合成(CATS)，一种基于深度学习的GeoAI方法框架，用于隐私保护轨迹数据生成与发布。CATS对人类运动的底层时空分布应用K-匿名，提供分布级强隐私保证。通过对K-匿名化人类移动矩阵进行条件对抗训练、使用基于注意力机制的轨迹全局上下文学习，以及相邻轨迹点的递归二部图匹配，CATS能够从条件采样位置重建轨迹拓扑并生成高质量个体级合成轨迹数据，可作为原始数据的补充或替代用于隐私保护轨迹数据发布。在超过9万条GPS轨迹上的实验结果表明，与基线方法相比，我们的方法在隐私保护、时空特征保持和下游效用方面具有更优性能，这为使用生成式AI技术的隐私保护人类移动性研究带来新见解，并探讨了GIScience中的数据伦理问题。
引用
@article{arxiv.2309.11587,
title = {CATS: Conditional Adversarial Trajectory Synthesis for Privacy-Preserving Trajectory Data Publication Using Deep Learning Approaches},
author = {Jinmeng Rao and Song Gao and Sijia Zhu},
journal= {arXiv preprint arXiv:2309.11587},
year = {2023}
}
备注
9 figures, 4 figures