时间序列数据隐私保护
文章平均质量分 60
西西弗的小蚂蚁
不要辜负这美好的时光!
展开
-
Online Anomalous Subtrajectory Detection onRoad Networks with Deep Reinforcement Learning
虽然针对这项任务提出了许多方法,但它们都存在各种问题,包括(1)无法检测异常子轨迹,这些异常子轨迹是轨迹数据中的细粒度异常,和/或(2)非数据驱动,和/或(3)需要足够的监督标签,这些标签的收集成本很高。RL4OASD包括两个网络,一个负责学习道路网络和轨迹的特征,另一个负责根据学习到的特征检测异常子轨迹,这两个网络可以在没有标记数据的情况下迭代训练。ASDNet输出精炼的路段标签,这些标签进一步用于再次训练RSRNet,然后RSRNet为ASDNet提供更好的观测值,以训练更好的策略。原创 2023-08-03 14:43:07 · 8 阅读 · 0 评论 -
A Deep Generative Model for Trajectory Modeling and Utilization
(2)道路知识编码模块(图4 (c))用于编码道路边缘属性,引入固有的路径规划特征,增强轨迹前缀编码(3)轨迹前缀编码模块(图4 (a)的一部分)用于编码轨迹前缀,旨在从高维轨迹前缀中提取长期时空依赖。(4)元生成器模块(图4 (d))用于轨迹路径边及其行程时间生成,旨在有效支持倾斜轨迹数据上的轨迹建模与生成。受交通路网上规则轨迹分布的启发,本文提出用深度生成模型对轨迹数据进行秘密建模,并利用该模型为下游任务生成有代表性的轨迹或直接支持这些任务(如流行度排名),而不是获取和处理原始的大轨迹数据。原创 2023-02-26 13:48:57 · 71 阅读 · 0 评论 -
Time Series Compressibility and Privacy
Time Series Compressibility and Privacy在这篇论文中,我们研究了时间序列可压缩性和部分信息隐藏之间的权衡,以及它们的基本含义,即我们应该如何通过扰动它们来引入关于个体值的不确定性。更具体地说,如果扰动不具有与原始数据相同的可压缩性质,则可以对其进行检测和过滤,减少不确定性。这样,通过使扰动与原始数据相似,既可以更好地保存数据的结构,又可以使破坏更加困难。然而,随着数据的可压缩性越来越强,如果真实值被泄露,那么部分不确定性可以被消除,从而揭示出它们是如何受到干扰的。我原创 2022-06-03 00:10:02 · 91 阅读 · 0 评论 -
Differentially Private Aggregation of Distributed Time-Series with Transformation and Encryption
Differentially Private Aggregation of Distributed Time-Series with Transformation and Encryption 我们提出了PASTE,这是第一个用于分布式时间序列数据的差异化私有聚合算法,它可以在没有任何可信服务器的情况下提供良好的实用程序。PASTE解决了参与式数据挖掘应用程序中的两个重要挑战,其中(i)个人用户收集时间相关的时间序列数据(如位置跟踪、web历史、个人健康数据),以及(ii)不受信任的第三方聚合器希望..原创 2022-06-09 00:04:47 · 192 阅读 · 0 评论