基于对抗网络的隐私感知人类移动性预测
机器学习
2022-01-20 v1 密码学与安全
摘要
随着各种移动设备和基于位置的服务在不同智慧城市场景与应用中的不断发展，由于地理定位数据的收集与共享，许多意外的隐私泄露已经出现。虽然这些地理定位数据可以丰富对人类移动模式的理解并解决各种社会问题研究，但用户敏感信息的隐私担忧限制了它们的利用。在本文中，我们设计并实现了一种新颖的基于 LSTM 的带表示学习的对抗机制，以获得原始地理定位数据（移动数据）的隐私保护特征表示以供共享。我们从轨迹重建风险、用户再识别风险和移动可预测性方面量化移动数据集的效用-隐私权衡。我们提出的架构报告了 Pareto 前沿分析，使用户能够评估作为拉格朗日损失权重参数函数的该权衡。在四个代表性移动数据集上的广泛比较结果证明了我们提出架构的优越性和所提隐私保护特征提取器的效率。我们的结果表明，通过探索 Pareto 最优设置，我们可以同时提高隐私（45%）和效用（32%）。
引用
@article{arxiv.2201.07519,
title = {Privacy-Aware Human Mobility Prediction via Adversarial Networks},
author = {Yuting Zhan and Alex Kyllo and Afra Mashhadi and Hamed Haddadi},
journal= {arXiv preprint arXiv:2201.07519},
year = {2022}
}