[論文レビュー] LSTM-TrajGAN: A Deep Learning Approach to Trajectory Privacy Protection

Jinmeng Rao, Song Gao+2 more|arXiv (Cornell University)|Jun 14, 2020

Human Mobility and Location-Based Analysis参考文献 27被引用数 36

ひとこと要約

LSTM-TrajGAN を提案。エンドツーエンドの深層学習モデルで、分析有用性を保ちながらユーザープライバシーを保護するプライバシー保護型の合成軌跡を生成します。

ABSTRACT

The prevalence of location-based services contributes to the explosive growth of individual-level trajectory data and raises public concerns about privacy issues. In this research, we propose a novel LSTM-TrajGAN approach, which is an end-to-end deep learning model to generate privacy-preserving synthetic trajectory data for data sharing and publication. We design a loss metric function TrajLoss to measure the trajectory similarity losses for model training and optimization. The model is evaluated on the trajectory-user-linking task on a real-world semantic trajectory dataset. Compared with other common geomasking methods, our model can better prevent users from being re-identified, and it also preserves essential spatial, temporal, and thematic characteristics of the real trajectory data. The model better balances the effectiveness of trajectory privacy protection and the utility for spatial and temporal analyses, which offers new insights into the GeoAI-powered privacy protection.

研究の動機と目的

• 位置情報サービスにおける軌跡プライバシー保護の重要性と、分析有用性を維持する必要性を提起する。
• プライバシー保護型の合成軌跡を生成するエンドツーエンドの深層学習フレームワークを提案する。
• プライバシー保護と軌跡の有用性を同時最適化する TrajLoss 指標を開発する。
• 軌跡-ユーザー連携に対するプライバシー保護を評価し、時空分析を通じて合成軌跡の有用性を評価する。

提案手法

• データセットのセントロイドからの空間的偏差と one-hot の時間的/カテゴリ特徴量を用いて軌跡をエンコードする。
• 埋め込み特徴とノイズを融合する生成器と、実軌跡と合成軌跡を識別する識別器を備えた三部構成の LSTM-TrajGAN を用いる：軌跡エンコーダ/埋め込み、埋め込み特徴とノイズを融合する生成器、実軌跡 vs 合成軌跡を判別する判別器。
• 判別器からの BCE と空間的・時間的・カテゴリ的一致性損失を結合した複合損失 TrajLoss で訓練する。
• 密結合層を介して、合成軌跡を緯度/経度の偏差および one-hot 時間的/カテゴリ属性へデコードする。
• 軌跡-ユーザー連携タスクで Random Perturbation および Gaussian geomasking と比較し、時空的有用性を分析する。

実験結果

リサーチクエスチョン

• RQ1 RQ1: LSTM-TrajGAN は TUL タスクにおける軌跡作成者の再識別からの保護にどれくらい効果的か？
• RQ2 RQ2: 合成軌跡は実軌跡と比較して、重要な空間的・時間的・主題的特性を保持しているか？

主な発見

手法	ACC@1	ACC@5	Macro-F1	Macro-P	Macro-R
Original	0.938	0.976	0.925	0.937	0.927
RP (Spatial Only)	0.777	0.934	0.758	0.806	0.764
RP (Spatial-Temporal)	0.668	0.888	0.640	0.711	0.654
Gaussian (Spatial Only)	0.561	0.832	0.522	0.573	0.537
Gaussian (Spatial-Temporal)	0.486	0.766	0.431	0.488	0.470
LSTM-TrajGAN	0.459	0.722	0.381	0.429	0.428

• 合成軌跡は TUL の精度を大幅に低下させ、ACC@1 を 0.938 から 0.459、ACC@5 を 0.976 から 0.722 に低下させ、強いプライバシー保護を示している。
• LSTM-TrajGAN はプライバシーと有用性のバランスにおいてベースラインのジオマスキング手法を上回り、ランダム摂動や Gaussian 法よりも TUL 指標の低減を更に達成する。
• 合成軌跡の空間的・時間的特性は概ね良好に保持され、時間的/カテゴリ分布が元の軌跡と密接に一致している（分析で報告された Pearson 相関）。
• HausdorffおよびJaccard ベースの空間分析は、LSTM-TrajGAN が Gaussian geomasking より良い空間的類似性を達成し、より強いプライバシー保護を実現することを示す。
• モデル感度分析は、学習率と埋め込み次元がプライバシー-有用性のトレードオフに有意な影響を与えることを示す。