用于合成具有簇特定特征的大规模位置轨迹的隐私保护多张量分解方法
密码学与安全
2020-11-20 v7 数据库
机器学习
摘要
随着基于位置服务（LBS）的广泛使用，合成位置轨迹在保护用户隐私的同时分析空间大数据中发挥着日益重要的作用。特别地，保留某一特定用户簇（例如乘坐火车通勤者、购物者）所特有特征的合成轨迹，对于各类地理数据分析任务以及提供合成位置数据集而言至关重要。尽管位置合成器已被广泛研究，现有合成器在效用、隐私或可扩展性方面尚不充分，因此不适用于大规模位置轨迹。为克服该问题，我们提出了一种称为 PPMTF（Privacy-Preserving Multiple Tensor Factorization，隐私保护多张量分解）的新型位置合成器。我们通过转移计数张量和访问计数张量对原始轨迹的各种统计特征进行建模。我们通过多张量分解同时分解这两个张量，并基于后验采样训练因子矩阵。随后我们从重构张量中合成轨迹，并对合成轨迹进行可否认性测试。我们使用两个数据集对 PPMTF 进行了全面评估。实验结果表明，PPMTF 保留了包括簇特定特征在内的各种统计特征，保护了用户隐私，并能在实用时间内合成大规模位置轨迹。在相同隐私水平下，PPMTF 在效用和可扩展性方面也显著优于最先进的方法。
引用
@article{arxiv.1911.04226,
title = {Privacy-Preserving Multiple Tensor Factorization for Synthesizing Large-Scale Location Traces with Cluster-Specific Features},
author = {Takao Murakami and Koki Hamada and Yusuke Kawamoto and Takuma Hatano},
journal= {arXiv preprint arXiv:1911.04226},
year = {2020}
}
备注
This is a full version of the paper accepted at PETS 2021 (The 21st Privacy Enhancing Technologies Symposium)