TraVaG：基于 GAN 的差分隐私轨迹变体生成
机器学习
2023-03-30 v1 密码学与安全
摘要
过程挖掘在工业界迅速发展。随之而来，过程挖掘算法所用事件数据中包含的敏感与隐私信息的隐私担忧日益凸显。前沿研究主要聚焦于为过程挖掘主流技术（如过程发现）所用的轨迹变体提供隐私保证（例如差分隐私）。然而，用于发布轨迹变体的隐私保护技术仍不能满足工业规模使用的全部需求。此外，在存在高比例低频轨迹变体时提供隐私保证仍具挑战。本文引入 TraVaG 作为一种基于生成对抗网络（GANs）发布差分隐私轨迹变体的新方法，其具备工业规模优势，并在存在高比例低频变体时提升隐私保证水平。而且，TraVaG 克服了常规隐私保护技术的缺陷，如限制变体长度与引入虚假变体。在真实事件数据上的实验结果表明，我们的方法在隐私保证、明文数据效用保持与结果效用保持方面均优于前沿技术。
引用
@article{arxiv.2303.16704,
title = {TraVaG: Differentially Private Trace Variant Generation Using GANs},
author = {Majid Rafiei and Frederik Wangelik and Mahsa Pourbafrani and Wil M. P. van der Aalst},
journal= {arXiv preprint arXiv:2303.16704},
year = {2023}
}