面向轨迹生成的生成模型隐私评估
机器学习
2026-05-18 v1
摘要
轨迹数据是现代城市智能的基本要素，然而其敏感性引发了显著的隐私担忧。生成式对抗网络、变分自编码器和扩散模型等生成模型已被开发用于通过捕捉 underlying spatiotemporal 分布和 mobility 模式来生成逼真的合成轨迹。尽管这些模型常被假设为因其生成性质而保留隐私，但这一假设并不一定成立。本工作调查了生成式轨迹建模与隐私评估的交叉点。通过识别适用于评估轨迹生成任务中隐私保护的可应用实证方法，我们演示了对生成式轨迹模型进行隐私评估存在显著差距。受此差距激励，我们针对代表性模型实施了成员推断攻击，表明这些可行的实证隐私评估方法是可行的，并显示其生成性质并不消除隐私风险。
引用
@article{arxiv.2605.15246,
title = {Privacy Evaluation of Generative Models for Trajectory Generation},
author = {Stavros Bouras and Ioannis Kontopoulos and Chiara Pugliese and Francesco Lettich and Emanuele Carlini and Hanna Kavalionak and Chiara Renso and Konstantinos Tserpes},
journal= {arXiv preprint arXiv:2605.15246},
year = {2026}
}
备注
Accepted at the 1st Workshop on Multi-Sensor Trajectory Knowledge Discovery and Extraction (MuseKDE 2026), co-located with the 27th IEEE International Conference on Mobile Data Management (IEEE MDM 2026)