FedVAE：基于联邦变分自编码器的轨迹隐私保护
人工智能
2024-07-15 v1
摘要
使用蕴含丰富时空信息的轨迹数据在智能交通系统（ITS）及各类交通系统任务中至关重要。基于位置的服务利用此类轨迹数据，为用户提供根据其位置信息量身定制的个性化服务。然而，该轨迹数据包含有关用户移动模式与习惯的敏感信息，需要保密并防范未知收集者。为应对这一挑战，已有人提出 K-匿名与差分隐私等隐私保护方法来保护数据集中的隐私信息。尽管这些方法行之有效，但它们会通过引入扰动或生成不真实的轨迹数据来影响原始特征，导致下游任务性能欠佳。为克服这些局限性，我们提出了一种联邦变分自编码器方法，该方法在保护隐私信息机密性并保留原始特征结构的同时，有效地生成新的轨迹数据集。此外，FedVAE 利用变分自编码器（VAE）维持原始特征空间并生成新的轨迹数据，同时在训练阶段引入联邦学习（FL），确保用户数据保留在本地存储以保护其个人信息。结果表明，与其他现有方法相比其性能更优，证实了 FedVAE 是增强基于位置应用中数据隐私与效用的极具前景的解决方案。
引用
@article{arxiv.2407.09239,
title = {FedVAE: Trajectory privacy preserving based on Federated Variational AutoEncoder},
author = {Yuchen Jiang and Ying Wu and Shiyao Zhang and James J. Q. Yu},
journal= {arXiv preprint arXiv:2407.09239},
year = {2024}
}
备注
2023 IEEE 98th Vehicular Technology Conference