FedTDP：基于联邦学习的轨迹数据隐私-preserving 与统一框架
机器学习
2025-05-09 v1 密码学与安全
摘要
轨迹数据捕捉人们和车辆在时间和空间中的运动模式，对如交通优化和城市规划等应用至关重要。然而，由于噪声和不完整性等问题，数据质量常被损害，导致不准确的轨迹分析，并限制了这些应用的潜力。虽然轨迹数据准备(TDP)可以提高数据质量，但现有方法存在两个关键局限性：(i)它们不解决数据隐私问题，特别是在禁止轨迹数据共享的联邦环境中；(ii)它们通常设计特定于任务的模型，缺乏在多样化TDP场景中普遍适用的泛化能力。为克服这些挑战，我们提出FedTDP，一个利用大型语言模型(LLMs)进行联邦环境下TDP的隐私-preserving 与统一框架。具体地，我们:(i)设计了一个轨迹隐私自编码器来保障数据传输安全并保护隐私；(ii)引入轨迹知识增强器来提高模型学习TDP相关知识的能力，使其能够开发针对TDP的LLMs；(iii)提出联邦并行优化，以减少数据传输并实现并行模型训练。在6个真实数据集和10个主流TDP任务上的实验表明，FedTDP consistently优于13个最先进的基线方法。
引用
@article{arxiv.2505.05155,
title = {FedTDP: A Privacy-Preserving and Unified Framework for Trajectory Data Preparation via Federated Learning},
author = {Zhihao Zeng and Ziquan Fang and Wei Shao and Lu Chen and Yunjun Gao},
journal= {arXiv preprint arXiv:2505.05155},
year = {2025}
}