HRNet: 面向人类 mobility 数据合成的差分隐私层次化和多分辨率网络
密码学与安全
2024-07-23 v2 机器学习
摘要
人类 mobility 数据为许多应用提供了宝贵的见解，如城市规划和疫情应对，但其使用也引发了隐私 concerns。本文引入层次化和多分辨率网络 (HRNet)，一种新型深度生成模型，专为在保证差分隐私的同时合成逼真的人类 mobility 数据而设计。我们首先识别了在差分隐私约束下学习人类 mobility 数据的关键难题。针对这些挑战，HRNet集成了三个组件：层次化位置编码机制、跨多个分辨率的多任务学习，以及私有预训练。这些元素共同增强了模型在差分隐私约束下的能力。通过大规模实验比较，HRNet在 utility-privacy 折衷方面显著优于现有方法。
引用
@article{arxiv.2405.08043,
title = {HRNet: Differentially Private Hierarchical and Multi-Resolution Network for Human Mobility Data Synthesization},
author = {Shun Takagi and Li Xiong and Fumiyuki Kato and Yang Cao and Masatoshi Yoshikawa},
journal= {arXiv preprint arXiv:2405.08043},
year = {2024}
}