CATS: Conditional Adversarial Trajectory Synthesis for Privacy-Preserving Trajectory Data Publication Using Deep Learning Approaches
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；Columbia University（哥伦比亚大学）
CATS框架通过K-匿名分布约束、条件对抗训练、注意力上下文学习和二分图匹配，生成高质量隐私保护轨迹数据，并在9万条GPS轨迹上验证了其在隐私、时空特征和下游效用上的优势。
2023-09-20 cs.AI cs.CR cs.LG
Generating synthetic mobility data for a realistic population with RNNs to improve utility and privacy
MIT Media Lab（麻省理工学院媒体实验室）
从移动设备收集的位置数据代表了个人和社会层面的移动行为。这些数据具有重要的应用，从交通规划到流行病建模。然而，必须克服问题才能最好地服务于这些用例：数据通常代表有限的人口样本，数据的使用会危及隐私。为了解决这些问题，我们提出并评估了一个使用深度递归神经网络（RNN）生成合成移动性数据的系统，该网络是在真实位置数据上训练的。该系统将人口分布作为输入，并为相应的合成人口生成移动轨迹。相关的生成方法还没有解决在较长时间段内捕获个人移动行为的模式和可变性的挑战，同时还平衡现实数据的生成与隐私。我们的系统利用RNN生成复杂和新颖序列的能力，同时保留来自训练数据的模式。此外，该模型还引入了随机性，用于在个人层面上校准合成数据和真实数据之间的变化。这是为了捕捉人类移动性的变化，并保护用户隐私。来自超过22，700台移动设备的基于位置的服务（LBS）数据用于效用和隐私指标的实验评估。我们显示生成的移动性数据保留了真实数据的特征，同时在个体水平上与真实数据不同，并且这种变化量与真实数据内的变化相匹配。
2022-01-04 cs.CR cs.CY cs.LG
Privacy-Aware Adversarial Network in Human Mobility Prediction
Imperial College London（伦敦帝国理工学院）；University of Washington（华盛顿大学）
随着移动设备和基于位置的服务在不同的智慧城市场景和应用中的日益发展，由于地理定位的数据汇集和共享，出现了许多意想不到的隐私泄露。当地理定位数据与云辅助应用程序共享时，用户重新识别和其他敏感推断是主要的隐私威胁。值得注意的是，4个时空点足以唯一识别95%的个体，这加剧了个人信息泄露。为了解决诸如用户重新识别之类的恶意目的，我们提出了一种基于LSTM的对抗机制，该机制具有表示学习以获得原始地理定位数据的隐私保护特征表示（即，移动性数据）用于共享目的。这些表示旨在以最小的效用预算（即，损失）。我们训练的机制，通过量化隐私效用权衡的移动数据集的轨迹重建风险，用户重新识别风险，和移动的可预测性。我们报告了一个探索性的分析，使用户能够评估这种权衡与特定的损失函数及其权重参数。四个代表性的移动数据集上的广泛的比较结果表明，我们提出的架构在移动隐私保护和建议的隐私保护功能提取器的效率的优越性。我们表明，隐私的流动性痕迹达到体面的保护边际流动性效用的成本。我们的研究结果还表明，通过探索帕累托最优设置，我们可以同时提高隐私（45%）和效用（32%）。
2022-08-09 cs.CR cs.CY cs.LG
Analysing Fairness of Privacy-Utility Mobility Models
Imperial College London（伦敦帝国理工学院）；University of Washington（华盛顿大学）
本文定义了一组基于轨迹结构相似性和熵的人类移动性公平性指标，并据此评估两个基于GAN和表示学习的隐私保护模型，发现它们在群体公平上达标但违反个人公平性，揭示了重识别任务与个人公平性之间的张力。
2023-04-10 cs.AI cs.CR cs.CY
DP2-Pub: Differentially Private High-Dimensional Data Publication with Invariant Post Randomization
在实际应用中会出现大量的高维异构数据，这些数据往往会发布给第三方进行数据分析、推荐、定向广告和可靠预测。然而，公布这些数据可能会泄露个人敏感信息，从而导致对隐私侵犯的日益关注。近年来，隐私保护数据发布受到了相当大的关注。不幸的是，高维数据的差分私有发布仍然是一个具有挑战性的问题。在本文中，我们提出了一个差分私有的高维数据发布机制（DP2-Pub），运行在两个阶段：基于马尔可夫毯的属性聚类阶段和不变后随机化（PRAM）阶段。具体而言，将属性划分为具有高簇内凝聚力和低簇间耦合的低维簇有助于获得隐私预算的合理分配，而满足局部差分隐私的双扰动机制有助于保持不变的PRAM，以确保不丢失统计信息，从而显着保留数据效用。我们还扩展了我们的DP2-Pub机制的情况下，与一个半诚实的服务器，满足本地差分隐私。我们在四个真实数据集上进行了大量的实验，实验结果表明，该机制在满足差分隐私的同时，能够显著提高已发布数据的数据效用.
2022-08-24 cs.CR cs.CY
MTSP-LDP: A Framework for Multi-Task Streaming Data Publication under Local Differential Privacy
Xi’an Jiaotong University（西安交通大学）
MTSP-LDP通过最优隐私预算分配和数据自适应二进制树结构，提升多任务流数据发布下的隐私保护与效用。
2025-12-31 cs.CR
Context-Aware Metric Differential Privacy for Vehicle Trajectory Data
University of North Texas（北德克萨斯大学）
提出上下文感知度量差分隐私（C-mDP）框架，通过将上下文依赖融入隐私和效用模型，并利用条件独立性简化线性规划，在相同隐私预算下提升车辆轨迹数据的效用。
2026-05-25 cs.CR
There goes Wally: Anonymously sharing your location gives you away
利用当前技术，许多实体可以访问不同时空粒度级别的用户移动性轨迹。与此同时，用户经常通过不同的方式透露他们的位置，包括地理标记的社交媒体帖子和移动应用程序的使用。这种泄露通常与假名或假身份绑定，以保护个人隐私。在这项工作中，我们研究如何大规模的移动跟踪可以去匿名匿名的位置泄漏。通过挖掘全国范围内数千万用户的移动轨迹，我们的目标是了解需要多少位置泄漏才能唯一匹配一个轨迹，时空混淆如何降低匹配质量，以及泄漏的位置流行度和时间如何影响去匿名化。我们还研究了那些匿名泄漏更容易识别的个人的流动性特征。最后，通过将我们的匹配方法扩展到完整的痕迹，我们展示了大规模的人类流动性是多么的独特。我们的定量结果对用户痕迹的隐私有影响，并可作为未来移动数据管理和发布政策的指导方针。
2018-11-15 cs.CR
Privacy-Aware Human Mobility Prediction via Adversarial Networks
Imperial College London（帝国理工学院）；University of Washington（华盛顿大学）
随着各种移动设备和基于位置的服务在不同的智慧城市场景和应用中越来越多地发展，由于地理定位的数据汇集和共享，出现了许多意想不到的隐私泄露。虽然这些地理定位数据可以提供对人类移动模式的丰富理解并解决各种社会研究问题，但对用户敏感信息的隐私问题限制了其利用。在本文中，我们设计并实现了一种新的基于LSTM的对抗机制与表示学习，以达到一个隐私保护的功能表示的原始地理定位数据（移动数据）的共享目的。我们量化了移动数据集在轨迹重建风险、用户重新识别风险和移动可预测性方面的效用-隐私权衡。我们提出的架构报告的帕累托前沿分析，使用户能够评估这种权衡作为一个函数的拉格朗日损失重量参数。在四个有代表性的移动数据集上的广泛比较结果表明了我们提出的架构的优越性和所提出的隐私保护特征提取器的效率。我们的研究结果表明，通过探索帕累托最优设置，我们可以同时增加隐私（45%）和效用（32%）。
2022-01-19 cs.CR cs.LG
Some Examples of Privacy-preserving Publication and Sharing of COVID-19 Pandemic Data
COVID-19疫情期间收集了大量不同类型的数据，对这些数据的分析和解读对于遏制疾病的传播是不可或缺的。随着疫情发展成为地方性流行，疫情期间收集的数据将继续成为进一步研究和了解疫情对我们社会各方面影响的丰富来源。另一方面，天真的信息发布和共享可能与严重的隐私问题有关。在本研究中，我们使用流行期间收集的三种常见但不同的数据类型（病例监测表格数据、病例位置数据和接触者追踪网络）来说明以隐私保护方式发布和共享粒度信息和个人层面的流行病数据。我们利用并构建了差分隐私的概念，为每种数据类型生成和发布隐私保护数据。我们调查的推理效用的隐私保护信息，通过模拟研究，在不同层次的隐私保证，并在现实生活中的数据证明的方法。研究中采用的所有方法都很容易应用。我们的研究提供了统计证据，说明在隐私保障的情况下共享大流行数据的实际可行性，以及如何在这一过程中平衡所发布信息的统计效用。
2022-09-13 cs.CR cs.CY
walk2friends: Inferring Social Links from Mobility Profiles
定位技术的发展已经导致可用的移动性数据量的增加。在给人们的生活带来诸多便利的同时，这样的可获得性也引发了人们对隐私的严重担忧。在本文中，我们集中在一个最敏感信息，可以推断出从移动数据，即社会关系。我们提出了一种新的社会关系推理攻击，依赖于一个先进的特征学习技术，自动总结用户的移动功能。与现有的方法相比，我们的攻击能够预测任何两个人的社会关系，它不需要对手有任何先验知识的现有的社会关系。这些优势大大增加了我们攻击的适用性和隐私评估的范围。在一个大型数据集上进行的大量实验表明，我们的推理攻击是有效的，并实现了13%至20%的最佳国家的最先进的计划之间的改进。我们提出了三种防御机制-隐藏，替换和泛化-并评估其有效性，以减轻移动数据共享带来的社会联系隐私风险。我们的实验结果表明，隐藏和替换机制优于泛化。此外，隐藏和替换实现了效用和隐私之间的可比权衡，前者保留更好的效用，后者提供更好的隐私。
2017-09-05 cs.CR cs.SI
Differentially Private Publication of Electricity Time Series Data in Smart Grids
University of Southern California（南加州大学）；Hamad Bin Khalifa University（哈马德·本·哈利法大学）
针对智能电网电力时间序列数据发布中的隐私保护与效用损失问题，提出STPT方法，利用RNN分析时空属性并基于模式划分发布数据，在隐私与效用间取得更优平衡。
2024-08-24 cs.AI cs.CR cs.LG
TraVaS: Differentially Private Trace Variant Selection for Process Mining
在工业过程挖掘领域，隐私保护事件数据发布变得越来越重要。因此，高数据效用和可量化隐私之间的权衡提出了新的挑战。当前的研究主要集中在基于前缀扩展的差分私有迹变体构造方法上。然而，这些算法面临着几个实际的限制，如高计算复杂性，引入假变量，删除频繁的变量，和有限的变量长度。在本文中，我们介绍了一种直接差异化私有跟踪变体发布的新方法，该方法使用匿名\textit{partition selection}策略来克服上述限制。在真实事件数据上的实验结果表明，该算法在纯数据效用和结果效用保持方面都优于最先进的方法。
2022-10-20 cs.CR
Collection, usage and privacy of mobility data in the enterprise and public administrations
本文通过专家访谈调查企业与公共管理部门中移动性数据的收集、使用与隐私实践，分类用途、数据来源和分析任务，揭示现有隐私增强方法不符合差分隐私标准，并为后续实践导向研究提供基础。
2024-07-04 cs.CR
Releasing Large-Scale Human Mobility Histograms with Differential Privacy
本文针对谷歌环境洞察探索者发布人类出行聚合统计数据的隐私需求，提出一种结合联邦分析与差分隐私的新机制，在约ε≈2的DP保证下满足严格误差约束，显著优于基线方法，并适用于group-by-sum类工作负载。
2024-07-03 cs.CR cs.DB
SoK: Can Trajectory Generation Combine Privacy and Utility?
University of New South Wales（新南威尔士大学）；CSIRO’s Data61（联邦科学与工业研究组织数据61）；Cyber Security CRC（网络安全合作研究中心）
本文提出一个包含五个设计目标的隐私保护轨迹发布框架，系统评估了现有方法与六种序列生成模型，发现现有方案均无法兼顾严格隐私与效用，指出提供语义保证的生成式轨迹模型仍是未解难题。
2024-06-27 cs.CR cs.LG
Online publication of court records: circumventing the privacy-transparency trade-off
开放数据运动正在导致在线大规模发布法院记录，提高司法的透明度和可及性，并在现有丰富法律数据的基础上设计法律技术。然而，法律决策的敏感性也引发了重要的隐私问题。当前的实践通过将访问控制与（手动或半手动）文本编辑相结合来解决由此产生的隐私与透明度的权衡。在这项工作中，我们声称，目前的做法是不足以应付大规模访问的法律数据（限制性的访问控制政策是有害的开放性和实用性，而文本编辑是无法提供健全的隐私保护），并倡导一个整合的方法，可以受益于隐私保护的数据发布域的最新发展。我们提出了一个彻底的分析问题和当前的方法，并提出了一个稻草人多式联运架构铺平道路，一个成熟的隐私保护法律数据发布系统。
2020-07-03 cs.CR cs.CY
A Tight Context-aware Privacy Bound for Histogram Publication
该研究通过点态最大泄漏（PML）分析拉普拉斯机制发布直方图的隐私保证，指出PML相比无上下文的差分隐私更精细，当直方图bin概率远离零时可在固定噪声下提升隐私保护，证明了上下文感知隐私度量的优势。
2025-08-26 cs.CR cs.IT math.IT
HRNet: Differentially Private Hierarchical and Multi-Resolution Network for Human Mobility Data Synthesization
Kyoto University（京都大学）；Emory University（埃默里大学）；Tokyo Institute of Technology（东京工业大学）；Osaka Seikei University（大阪成蹊大学）
针对人类移动数据合成中的隐私问题，本文提出差分隐私分层多分辨率网络HRNet，通过分层编码、多任务学习和私有预训练，在真实数据集上显著提升了效用-隐私权衡。
2024-07-20 cs.CR cs.LG
Ensuring Privacy in Location-Based Services: A Model-based Approach
近年来，配备有GPS和通信芯片的移动设备的普及已经导致基于位置的服务（LBS）的日益增长的使用，其中用户基于他的当前位置接收服务。然而，用户的位置的披露，可以引起严重的关注，用户的隐私一般，特别是位置隐私，这导致了各种位置隐私保护机制的发展，旨在提高位置隐私，同时使用LBS应用程序。在本文中，我们提出了一个马尔可夫决策过程（MDP）的用户移动性模式和效用的LBS建模，并受概率的当前状态不透明符号的启发，我们引入了一个新的位置隐私度量，即$ε-$隐私，量化对手的信念超过用户的当前位置。我们利用这个动态模型来设计一个LPPM，同时它确保服务的效用被充分利用，独立于对手的先验知识的用户，它可以保证用户指定的隐私级别可以实现一个无限的时间范围。整体隐私保护框架，包括用户移动模型的建设作为一个MDP，和建议的LPPM的设计，展示和验证与现实世界的实验数据。
2020-02-24 cs.CR
Privacy-Preserving Generative Models: A Comprehensive Survey
De Montfort University（德蒙福特大学）；University of Basel（巴塞尔大学）
本文通过分析100篇文献，系统综述了隐私保护生成模型，提出GANs和VAEs的隐私与效用指标新分类体系，并指出当前挑战与未来研究方向。
2025-02-05 cs.CR cs.LG
On the Data Fight Between Cities and Mobility Providers
电动滑板车正在改变人们的出行习惯。为了监督滑板车的使用，洛杉矶交通部提出了一项规范，要求滑板车公司提供滑板车使用的详细数据。在这篇文章中，我们首先认为洛杉矶。的使用新规范的数据请求是没有保证的，因为已经存在的规范可以满足提议的用例。其次，我们表明，即使是现有的规范，要求公司发布停放的滑板车的实时数据，也会使使用滑板车的个人的隐私处于危险之中。然后，我们提出了一种算法，在发布停放的滑板车数据时，可以实现正式的隐私和实用性保证，使城市当局能够满足他们的用例，同时保护乘客的隐私。
2020-04-20 cs.CR cs.CY
Dual Utilization of Perturbation for Stream Data Publication under Local Differential Privacy
针对本地差分隐私下流数据发布噪声过大的问题，提出扰动值双重利用方法，通过IPP、APP和CAPP算法校准噪声，在满足w-事件差分隐私的同时显著提升效用。
2025-04-21 cs.CR cs.DB
On (The Lack Of) Location Privacy in Crowdsourcing Applications
众包使应用程序开发人员能够以低成本从大型和多样化的数据集中受益。具体地，移动众包（MCS）利用用户的设备作为传感器来执行地理定位的数据汇集。收集地理定位数据会给用户带来严重的隐私问题。然而，尽管有大量关于位置隐私保护机制（LPPM）的研究机构，MCS开发人员对数据汇集或发布实施很少或根本没有保护。为了理解这种不匹配，我们研究了现有LPPM在两个移动众包项目的公开数据上的表现。我们的研究结果表明，完善的防御要么不适用，要么在MCS设置提供很少的保护。此外，它们对应用程序的效用的影响比文献中预见的要大得多。这是因为考虑到基于位置的服务（LBS）而设计的现有LPPM针对基于用户位置的效用函数进行了优化，而MCS效用函数取决于值（例如，测量）与这些位置相关联。最后，我们概述了可能的研究途径，以促进新的位置隐私解决方案，适合MCS的需求，使越来越多的这样的应用程序不会危及用户的隐私的发展。
2019-06-05 cs.CR
Adaptive Location Privacy with ALP
随着基于位置的服务（LBS）每天收集的移动数据量的增加，用户面临着一系列新的威胁，这些威胁与过度共享其位置信息有关。为了解决这个问题，在过去的几年中，已经提出了几个位置隐私保护机制（LPPM）。然而，这些机制中的每一个都带有不同的配置参数，这些参数对提供给用户的隐私保证和受保护数据的最终效用都有直接影响。在这种情况下，非专家系统设计者可能难以选择要使用的适当配置。此外，这些机制通常是一次性配置的，这导致每个受保护信息的配置都相同。然而，并非所有用户都具有相同的行为，甚至单个用户的行为也可能随着时间的推移而改变。为了解决这个问题，我们在本文中提出了ALP，一个新的框架，使动态配置的LPPM。ALP可以用于两种场景：（1）离线，其中ALP使系统设计者能够选择并自动调整最合适的LPPM以用于保护给定数据集;（2）在线，其中ALP使人群感测应用的用户能够通过自动调整现有LPPM来保护她的地理定位数据的连续批次，以满足一组隐私和效用目标。我们用两个现实生活中的移动数据集和两个最先进的LPPM来评估ALP。我们的实验表明，ALP发现的自适应LPPM配置在隐私和实用性方面优于一组静态配置手动固定的系统设计师。
2016-09-23 cs.CR
Real-Time Trajectory Synthesis with Local Differential Privacy
针对现有轨迹流隐私发布方法忽略时空上下文、效用不足的问题，提出基于LDP的实时轨迹合成框架RetraSyn，通过隐私提取移动模式实现高效用合成，在多数据集上验证了其优越性与通用性。
2024-04-17 cs.CR cs.DB
How Tough Is Location Anonymization? Re-identifying 100K Real-User Trajectories in Japan
Inria（法国国家信息与自动化研究所）；INSA-Lyon（里昂国立应用科学学院）；ÉTS Montréal（蒙特利尔高等技术学院）
研究通过测试YJMob100K数据集，揭示现有匿名化方法在空间和时间结构上的不足，并指出隐私保护与数据效用之间的矛盾。
2026-05-10 cs.CR
Capstone: Mobility Modeling on Smartphones to Achieve Privacy by Design
与上下文感知服务提供商共享位置跟踪具有隐私影响。位置隐私保护机制，如混淆，匿名化和加密原语，已被证明具有不切实际的效用/隐私权衡。用于增强用户隐私的另一解决方案是通过在用户的智能电话上执行传统上在服务提供商端执行的任务来最小化数据共享。尽管与不可信实体共享的数据量显著减少，但在资源受限的智能手机上执行计算要求高的服务器端任务通常是不切实际的。为此，我们提出了一个新的视角，降低计算复杂性的时空轨迹作为空时信号。降低数据维度有助于将计算任务卸载到数字信号处理器上以及使用非阻塞信号处理流水线。在专注于用户移动性建模的任务的同时，我们实现了以下结果，与现有技术的状态相比：（i）具有大于80%的精确度和召回率的移动性模型，（ii）计算复杂性降低了2.5倍，以及（iii）功耗降低了0.5倍。此外，我们的技术不依赖于用户的行为参数，通常会导致隐私泄漏和结论性偏见，在现有的技术。使用三个真实世界的移动数据集，我们证明了我们的技术解决了这些弱点，同时制定准确的用户移动模型。
2018-02-17 cs.CR cs.CY
A Predictive Differentially-Private Mechanism for Mobility Traces
随着支持GPS的手持设备的日益普及，基于位置的应用程序和服务可以获得准确和实时的位置信息，这为其数百万用户带来了严重的隐私问题。为了解决这些问题，最近引入了地理不可侵犯性的概念，将众所周知的差分隐私概念适用于基于位置的系统领域。一个基于拉普拉斯的混淆机制，满足这种隐私的概念工作良好的情况下，零星的使用，但是，在重复使用，独立应用噪声导致快速丢失的隐私，由于在跟踪位置之间的相关性。在本文中，我们表明，在跟踪的相关性，实际上可以利用的预测功能，试图猜测新的位置的基础上，以前报告的位置。所提出的机制使用私有测试来测试预测位置的质量;在成功的情况下，报告预测，否则用新的噪声来净化位置。如果在输入跟踪中存在相当大的相关性，则与预算节省相比，测试的额外成本很小，从而导致更有效的机制。我们评估了用户在城市中移动时访问基于位置的服务的情况下的机制。使用一个简单的预测函数和两个预算支出策略，优化效用或预算消费率，我们表明，预测机制可以提供实质性的改善，独立应用的噪声。
2014-06-16 cs.CR
In Search of Lost Utility: Private Location Data
训练数据的不可用是研究中许多挫折的永久来源，特别是当它是由于隐私问题时。这对于位置数据尤其如此，因为先前的技术都遭受位置轨迹的固有稀疏性和高维性，这使得大多数技术不切实际，导致不切实际的轨迹和不可扩展的方法。此外，位置访问的时间信息通常被丢弃，或者其分辨率急剧降低。在本文中，我们提出了一种新的技术，用于私下发布复合生成模型和具有详细时间信息的整个高维位置数据集。为了生成高保真度的合成数据，我们利用了车辆移动性的几个特性，例如其类似语言的特性（“你应该通过它的公司知道一个位置”）或人类如何计划从一个点到另一个点的行程。我们首先构建一个变分自编码器来生成源和目的地位置，以及相应的轨迹定时，从而对数据集的生成器分布进行建模。接下来，我们使用前馈网络计算位置之间的转移概率，并根据该模型的输出构建转移图，该图近似于源和目的地之间的所有路径的分布（在给定时间）。最后，用马尔可夫链蒙特卡罗方法从该分布中采样出一条路径。生成的合成数据集是高度真实的，可扩展的，提供了良好的实用性，但可证明是私有的。我们评估我们的模型对两个国家的最先进的方法和三个现实生活中的数据集证明我们的方法的好处。
2022-03-14 cs.CR
SMOTE-DP: Improving Privacy-Utility Tradeoff with Synthetic Data
University of Texas at Dallas Richardson, TX 75082（德克萨斯大学达拉斯分校）；Vanderbilt University Medical Center Nashville, TN 37232（范德比尔特大学医学中心）；Virginia Tech Blacksburg, VA 24061（弗吉尼亚理工大学）
本文提出 SMOTE-DP 方法，将 SMOTE 与差分隐私数据生成器结合，在保证强隐私保护的同时维持下游学习任务的效用。
2025-06-02 cs.CR cs.LG stat.ML
What Does The Crowd Say About You? Evaluating Aggregation-based Location Privacy
关于人们的移动和他们访问的位置的信息使得越来越多的移动分析应用成为可能，例如，在城市和交通规划的背景下，在这种设置中，实体通常使用聚合作为隐私保护机制，目的是隐藏个体用户的位置轨迹，而不是收集或共享原始数据。此外，为了限制来自聚合的信息泄漏，它们可以干扰聚合的输入或输出，以确保这些是差异私有的。在本文中，我们将评估的影响，释放聚合位置的时间序列的个人贡献的聚合的隐私。我们引入了一个框架，使我们能够对试图预测用户的位置或恢复其移动模式的对手的隐私的原因。我们将这些攻击形式化为推理问题，并讨论了几种策略来模拟对手的先验知识的基础上，她可能会获得的信息。然后，我们使用的框架来量化的隐私损失所产生的聚合位置数据，有和没有保护的差分隐私，使用两个真实世界的移动数据集。我们发现，聚集泄漏个人的准时位置和移动配置文件的信息。观测的密度以及时间安排起着重要的作用，例如，在繁忙时间有规律的出入境较零星的出入境为佳。最后，我们的评估表明，输出和输入扰动几乎没有提供额外的保护，除非它们引入大量的噪声，最终破坏数据的效用。
2017-06-10 cs.CR
Privacy Preserving Social Network Publication Against Mutual Friend Attacks
出于研究目的发布社交网络数据引起了对个人隐私的严重关注。针对不同的攻击模式，有许多隐私保护方案。在本文中，我们介绍了一种新的隐私攻击模型，并称之为一个共同的朋友攻击。在这个模型中，对手可以通过使用他们共同的朋友数量来重新识别一对朋友。为了解决这个问题，我们提出了一个新的匿名概念，称为k-NMF匿名，即，k-匿名的共同朋友的数量，这确保存在至少k-1个其他朋友对在图中共享相同数量的共同朋友。我们设计算法来实现的k-NMF匿名性，同时保持原始的顶点集的意义上，我们允许偶尔添加，但没有删除的顶点。此外，我们给出了一个算法，以确保除了k-NMF匿名的k-度匿名。在真实数据集上的实验结果表明，该方法能够有效地保护社交网络的隐私和实用性，抵御共同好友攻击.
2013-10-11 cs.CR cs.DB cs.SI
Differentially Private Publication of Location Entropy
位置熵（LE）是用于测量各种位置（例如，兴趣点）。与仅从对位置的（唯一）访问的数量（即频率）计算的其他度量不同，LE还捕获用户访问的多样性，因此比其他度量更准确。当前用于计算LE的解决方案需要完全访问用户对位置的过去访问，这造成隐私威胁。本文首次讨论了基于差分隐私的位置熵扰动问题。该问题具有挑战性，因为从数据集中删除单个用户将影响数据库的多个记录;即，该用户对各个位置进行的所有访问。为此，我们首先推导出非平凡的，紧边界的本地和全球的敏感性LE，并表明，以满足$ε$ -差分隐私，大量的噪声必须引入，使公布的结果无用。因此，我们提出了一个阈值技术来限制用户的访问次数，这显着减少了扰动误差，但引入了近似误差。为了实现更好的效用，我们通过采用两个较弱的隐私概念来扩展该技术：平滑敏感度（略弱）和人群混合（严格较弱）。在合成数据集和真实数据集上的大量实验表明，我们提出的技术在不影响位置隐私的情况下保留了原始数据分布。
2019-09-02 cs.CR cs.DB
Privacy in trajectory micro-data publishing : a survey
我们调查了关于轨迹微观数据隐私的文献，即，关于个人流动性的时空信息，由于新兴的信息和通信技术，收集这些信息变得越来越简单和频繁。我们审查的重点是隐私保护数据发布（PPDP），即，公布轨迹微观数据数据库，保护受监测个人的隐私。我们分类并介绍了针对轨迹微数据的攻击文献，以及迄今为止为保护数据库免受此类攻击而提出的解决方案。本文作为一个关键主题的介绍性阅读，在一个越来越意识到与数字服务相关的隐私风险的时代，并提供了对开放问题和未来研究方向的见解。
2020-05-13 cs.CR
How the Future Works at SOUPS: Analyzing Future Work Statements and Their Impact on Usable Security and Privacy Research
本文分析了2019年SOUPS会议论文集的未来工作声明及其对后续978篇引用文献的影响，发现这些声明因含糊不清且难以寻找而影响有限，并据此提出了改进建议。
2024-05-30 cs.CR cs.CY
diffGHOST: Diffusion based Generative Hedged Oblivious Synthetic Trajectories
Orange Research（Orange研究院）；Orange Business（Orange公司）
本文提出diffGHOST，一种基于潜在空间分割的条件扩散模型，旨在解决轨迹合成中隐私保护与实用性之间的平衡问题。
2026-05-11 cs.AI cs.CR
Dynamically Adjusting Case Reporting Policy to Maximize Privacy and Utility in the Face of a Pandemic
在大流行期间支持公共卫生研究和公众对形势的认识需要持续传播传染病监测数据。立法，如1996年的健康保险可携带性和责任法案（HIPAA）和最近的州一级法规，允许共享去识别的个人数据;然而，目前的去识别方法是有限的。也就是说，它们效率低下，依赖于追溯性的披露风险评估，并且不随感染率或人口统计数据随时间的变化而变化。在本文中，我们介绍了一个框架，以动态适应去识别的近实时的共享的个人级监控数据。该框架利用模拟机制，能够在任何地理级别的应用程序，预测在广泛的泛化政策下共享数据的重新识别风险。这些估计为每周的预期策略选择提供信息，以将对应于小于11的组大小（PK 11）的记录比例保持在0.1或以下。在每周开始时修复策略有助于及时更新数据集，并支持共享粒度日期信息。我们使用约翰霍普金斯大学和疾病控制和预防中心2020年8月至2021年10月的病例数据来证明该框架在维持PK方面的有效性！阈值为0.01。当在美国所有县共享COVID-19县级病例数据时，该框架的方法满足96.2%的每日数据发布阈值，而基于当前去识别技术的政策满足32.3%的阈值。定期调整数据发布政策可以保护隐私，同时通过及时更新和共享流行病学关键特征来增强公共卫生效用。
2022-02-25 cs.CR cs.CY
Privacy-Preserving Fair Synthetic Tabular Data
University of Manitoba（曼尼托巴大学）
针对合成表格数据中隐私与公平性难以兼顾的问题，提出基于WGAN-GP的PF-WGAN生成器，通过添加隐私和公平性约束，在效用、隐私和公平性间实现了更均衡的权衡。
2025-03-04 cs.CR cs.LG
