PateGail：基于模仿学习的隐私保护移动轨迹生成器
机器学习
2024-07-25 v1 人工智能
摘要
生成人类移动轨迹对于解决诸多应用中大规模轨迹数据匮乏的问题至关重要，而这些问题的根源是隐私顾虑。然而，现有的移动轨迹生成方法仍需要将真实的人类轨迹集中收集作为训练数据，其中存在不可避免的隐私泄露风险。为克服这一限制，本文提出PateGail，一种隐私保护的模仿学习模型，用于生成移动轨迹，该模型利用强大的生成对抗式模仿学习模型模拟人的决策过程。进一步地，为了保护用户隐私，我们基于存储在用户设备上的去中心化移动数据进行集体训练，其中个人判别器在本地训练以区分和奖励真实和生成的人类轨迹。在训练过程中，仅共享基于个人判别器获得的生成轨迹及其奖励，其隐私通过我们提出的扰动机制进一步受到理论保护，以满足差分隐私。进一步地，为了更好地建模人的决策过程，我们提出了一种来自个人判别器获得的奖励的新颖聚合机制。我们理论证明，在基于聚合机制获得的奖励下，我们提出的模型最大化了用户折扣总奖励的下界。大量实验表明，我们模型生成的轨迹在五个关键统计指标方面能够类似于真实世界的轨迹，超过当前最先进的方法48.03%。此外，我们展示了合成轨迹能够有效支持实际应用，包括移动预测和位置推荐。
引用
@article{arxiv.2407.16729,
title = {PateGail: A Privacy-Preserving Mobility Trajectory Generator with Imitation Learning},
author = {Huandong Wang and Changzheng Gao and Yuchen Wu and Depeng Jin and Lina Yao and Yong Li},
journal= {arXiv preprint arXiv:2407.16729},
year = {2024}
}