[論文レビュー] PrivTrace: Differentially Private Trajectory Synthesis by Adaptive Markov Model

Wang Hai-ming, Zhikun Zhang+5 more|arXiv (Cornell University)|Oct 2, 2022

Privacy-Preserving Technologies in Data被引用数 7

ひとこと要約

PrivTraceは、情報の豊かさとノイズの注入のバランスを取るために、適応的に一次および二次のマルコフモデルを組み合わせるプライバシー保護型軌跡合成フレームワークを提案する。ノイズ感受性と信頼度に基づいてモデルを動的に選択し、最適化に基づく手法で移動経路の分布を推定することで、実世界および合成データセットにおいて、最先端の手法を上回る正確性と有用性を示す高品質な合成軌跡を生成する。

ABSTRACT

Publishing trajectory data (individual's movement information) is very useful, but it also raises privacy concerns. To handle the privacy concern, in this paper, we apply differential privacy, the standard technique for data privacy, together with Markov chain model, to generate synthetic trajectories. We notice that existing studies all use Markov chain model and thus propose a framework to analyze the usage of the Markov chain model in this problem. Based on the analysis, we come up with an effective algorithm PrivTrace that uses the first-order and second-order Markov model adaptively. We evaluate PrivTrace and existing methods on synthetic and real-world datasets to demonstrate the superiority of our method.

研究の動機と目的

• 差分プライバシー（DP）を用いて個人のプライバシーを保護しつつ、軌跡データを公開する課題に対処すること。
• 既存手法の限界を克服すること。具体的には、一次マルコフモデルのみを用いる手法（情報が不足）や、高次モデルを用いる手法（過剰なノイズ）の問題を解消すること。
• データの有用性とプライバシーコストのトレードオフを最適化するために、一次および二次マルコフモデルの間で適応的にモデル選択を行うフレームワークを開発すること。
• 特に低プライバシー予算下で顕著になる、DPメカニズムに起因する移動経路分布推定におけるバイアスを低減すること。

提案手法

• ノイズ感受性とモデルの信頼度に基づいて、生成過程で一次マルコフ連鎖と二次マルコフ連鎖を動的に選択するハイブリッドマルコフモデルフレームワークを採用する。
• 軌跡の境界を捉えるために仮想の開始状態および終了状態を導入し、その後、最適化に基づく推定手法を用いてノイズによるバイアスを補正する。
• 一次および二次マルコフモデルの遷移確率に差分プライバシーを適用し、構造的パターンを保持しつつノイズを最小限に抑えるために、プライバシー予算を的確に割り当てる。
• 空間データの前処理として、再帰的分割とグリッドベースの離散化を実装し、効率的かつ差分プライバシーを満たすクエリ処理を可能にする。
• 選択されたマルコフモデルに基づいて次状態をサンプリングするランダムウォークベースの生成プロセスを実装し、合成軌跡が現実の移動パターンを反映することを保証する。
• 各軌跡が開始状態および終了状態のカウントに正確に1回ずつ寄与するという制約を満たすように、制約付き最適化問題を定式化することで、移動経路分布の推定を最適化する。

実験結果

リサーチクエスチョン

• RQ1 差分プライバシーに基づく軌跡合成において、情報の豊かさとノイズの注入を効果的にバランスさせるにはどうすればよいか？
• RQ2 有用性とプライバシーコストの観点から、一次および二次マルコフモデルをどの程度の割合で使用するかが最適なトレードオフをもたらすか？
• RQ3 一次および二次マルコフ連鎖の間で適応的なモデル選択戦略を採用することで、固定順序モデルに比べて合成軌跡の品質が向上するか？
• RQ4 特にプライバシー予算が低い状況下で、差分プライバシー下での移動経路分布推定におけるバイアスをどのように低減できるか？
• RQ5 PrivTraceは、多様なデータセットおよび評価指標において、既存の最先端手法に比べて、どの程度高い軌跡合成の有用性を示すか？

主な発見

• PrivTraceは、軌跡類似度、次のステップ予測精度、空間分布の忠実度といった複数の指標において、DPT や AdaTrace といった既存手法を常に上回る性能を示す。
• 一次および二次マルコフモデルの間での適応的選択により、特にプライバシー予算が制限された状況下でも、合成軌跡の品質が顕著に向上する。
• 最適化に基づく移動経路分布推定手法により、特に低ε設定下で開始状態および終了状態のカウントにおけるバイアスが効果的に低減され、生成された軌跡の現実性が向上する。
• アブレーションスタディの結果、適応的モデル選択および移動経路分布推定の両コンponents が PrivTrace の性能に大きく寄与しており、両者とも全体の有用性に顕著な貢献をしていることが確認された。
• 長時間の軌跡は短時間の軌跡よりも誤差の蓄積のためやや正確性に欠けるものの、PrivTraceは依然として優れた性能を維持しており、逐次的生成におけるロバスト性が示された。