对空间时间数据释放的神经方法与用户级差异性隐私

科学领域:

• 数据隐私 数据隐私
• 机器学习 机器学习
• 时间空间数据分析.

背景情况:

• 来自Meta和谷歌等公司的公开发布的总体位置数据支持运输,公共卫生和城市规划领域的应用.
• 差异隐私 (DP) 是保护个人位置数据的标准,但当前的方法在用户级隐私 (每个人多个报告) 下减少了数据实用性.
• 现有的"数据为善"倡议经常使用高隐私预算 (ε=10-100),损害用户隐私.

研究的目的:

• 提出一种新的方法,用于私有和准确的空间时间数据的释放,解决当前DP方法的用户级隐私的局限性.
• 提高差异性私有位置数据的实用性,同时保持强大的隐私保证.

主要方法:

• 使用变异自动编码器 (VAE),一种神经网络,以利用模式识别能力.
• 应用VAE来减少DP机制带来的噪声,从而提高数据的准确性.
• 将DP与VAE集成,以满足隐私要求,同时提高数据实用性.

主要成果:

• 拟议的基于VAE的方法与现有的基准相比,显著提高了发布的时空数据的准确性.
• 该方法有效地减少了DP机制固有的噪声,当处理多个数据点每用户.
• 对现实数据集的实验评估表明了VAE增强的DP方法的优越性.

结论:

• 这种基于VAE的新方法为私人时空数据发布提供了优越的解决方案,平衡了准确性和隐私.
• 这种方法克服了在用户级隐私场景中传统DP方法的公用事业隐私权权衡局限性.
• 这些发现表明,有希望的方向可以加强"数据为善"倡议的实际应用.