条件先验下的位置轨迹隐私
机器学习
2019-12-10 v1 机器学习
摘要
当在短时间內揭示多个位置时，为基于位置服务的用户提供有意义的隐私尤其具有挑战性。这主要是由于各点之间可预期的巨大依赖程度。我们提出了一个 Rényi 差分隐私框架，用于界定条件依赖数据的期望隐私损失。此外，我们展示了一种在高斯过程条件先验下实现该隐私的算法。该框架既例证了条件依赖数据为何如此难以保护，也提供了一种策略，使轨迹中每个用户位置在固定半径内保持隐私。
引用
@article{arxiv.1912.04228,
title = {Location Trace Privacy Under Conditional Priors},
author = {Casey Meehan and Kamalika Chaudhuri},
journal= {arXiv preprint arXiv:1912.04228},
year = {2019}
}
备注
Included in NeurIPS 2019 PriML workshop https://priml-workshop.github.io/priml2019/