基于深度强化学习的隐私感知时间序列数据共享
信息论
2020-06-25 v2 密码学与安全
math.IT
机器学习
摘要
物联网（IoT）设备因提供诸多新服务与应用而日益普及。然而，除诸多益处外，它们也引发隐私担忧，因为它们与不可信第三方共享细粒度的时间序列用户数据。本文研究时间序列数据共享中的隐私-效用权衡（PUT）。现有 PUT 方法主要关注单个数据点；但时间序列中的时间相关性带来了新挑战。在当前时刻保护隐私的方法可能在轨迹层面泄露大量信息，因为对手可利用轨迹中的时间相关性。我们考虑与不可信第三方共享用户真实数据序列的失真版本。我们以用户真实数据序列与共享版本之间的互信息度量隐私泄露。在给定失真度量下，我们以两序列间的瞬时与平均失真作为效用损失度量。为处理依赖历史的互信息最小化，我们将问题重新表述为马尔可夫决策过程（MDP），并使用异步 actor-critic 深度强化学习（RL）求解。我们在合成与 GeoLife GPS 轨迹数据集上评估了所提方案在位置轨迹隐私中的性能。对于后者，我们通过针对对手网络测试发布位置轨迹的隐私性来验证方案的有效性。
引用
@article{arxiv.2003.02685,
title = {Privacy-Aware Time-Series Data Sharing with Deep Reinforcement Learning},
author = {Ecenaz Erdemir and Pier Luigi Dragotti and Deniz Gunduz},
journal= {arXiv preprint arXiv:2003.02685},
year = {2020}
}
备注
13 pages, 10 figures. arXiv admin note: text overlap with arXiv:1907.07606