空间点过程数据的隐私保护
Privacy for Spatial Point Process Data
摘要：
在这项工作中，我们开发了私有化空间位置数据的方法，如单个疾病病例的空间位置。我们提出了两种新的贝叶斯方法生成的合成位置数据的基础上对数高斯Cox过程（LGCPs）。我们表明，条件预测纵坐标（CPO）估计可以很容易地获得点过程数据。我们构建了一个新的风险度量，利用CPO估计来评估个人披露风险。我们适应的倾向均方误差（pMSE）的数据效用度量LGCPs。我们证明，我们的合成方法提供了一个改进的风险与效用的平衡相比，放射状合成与约翰斯诺博士的霍乱疫情数据的案例研究。
英文摘要：
In this work we develop methods for privatizing spatial location data, such as spatial locations of individual disease cases. We propose two novel Bayesian methods for generating synthetic location data based on log-Gaussian Cox processes (LGCPs). We show that conditional predictive ordinate (CPO) estimates can easily be obtained for point process data. We construct a novel risk metric that utilizes CPO estimates to evaluate individual disclosure risks. We adapt the propensity mean square error (pMSE) data utility metric for LGCPs. We demonstrate that our synthesis methods offer an improved risk vs. utility balance in comparison to radial synthesis with a case study of Dr. John Snow's cholera outbreak data.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
