TraceHiding：面向移动数据可扩展机器遗忘框架

本工作提出TraceHiding，一个面向移动轨迹数据的可扩展、重要性感知的机器遗忘框架。受GDPR和CCPA等隐私法规赋予用户“被遗忘权”的启发，TraceHiding能够在不进行完整再训练的情况下，从训练好的深度模型中移除指定用户轨迹。它结合了基于层次数据驱动的重要性评分方案与教师-学生蒸馏。重要性评分基于统计属性（覆盖度、多样性、熵、长度）在token、轨迹和用户三个层级计算，量化了每个训练样本的影响，从而实现对高影响数据的精准遗忘，同时保留常见模式。学生模型在保持剩余数据知识的同时，通过重要性加权损失实现轨迹遗忘，该损失对独特样本放大遗忘信号，对频繁样本则削弱信号。我们在多个真实世界高阶移动数据集（HO-Rome、HO-Geolife、HO-NYC）上的轨迹-用户链接（TUL）任务中进行验证，涵盖多种网络结构（GRU、LSTM、BERT、ModernBERT、GCN-TULHOR），并对抗性遗忘基线包括SCRUB、NegGrad、NegGrad+、Bad-T和Finetuning。均匀和目标化用户删除实验表明，TraceHiding（尤其是基于熵的变体）在遗忘准确性、成员推断攻击（MIA）韧性方面均表现优异，相较于重新训练可实现最高40倍加速，同时保持极小的测试精度损失。结果表明该方法对高信息用户的对抗删除具有良好鲁棒性，且在不同模型间表现一致。据我们了解，这是首个针对轨迹数据的机器遗忘系统性研究，提供了可复现的管道，附带公共代码和预处理工具。