[논문 리뷰] Generative Models for Simulating Mobility Trajectories

Vaibhav Kulkarni, Nataša Tagasovska외 2명|arXiv (Cornell University)|2018. 11. 30.

Human Mobility and Location-Based Analysis참고 문헌 23인용 수 10

한 줄 요약

이 논문은 개인정보 유출 위험을 줄이기 위해 실생활 이동 경로를 합성하는 데 사용되는 일곱 종류의 생성 모델—RNN, GAN, 비모수적 코풀라—를 평가한다. 코풀라는 통계적 유사성(MMD = 0.01)과 계산 효율성(6.5초 훈련 시간) 측면에서 모든 모델보다 뛰어나며, 장거리 의존성을 효과적으로 포착하고 개인정보 泄露를 최소화한다.

ABSTRACT

Mobility datasets are fundamental for evaluating algorithms pertaining to geographic information systems and facilitating experimental reproducibility. But privacy implications restrict sharing such datasets, as even aggregated location-data is vulnerable to membership inference attacks. Current synthetic mobility dataset generators attempt to superficially match a priori modeled mobility characteristics which do not accurately reflect the real-world characteristics. Modeling human mobility to generate synthetic yet semantically and statistically realistic trajectories is therefore crucial for publishing trajectory datasets having satisfactory utility level while preserving user privacy. Specifically, long-range dependencies inherent to human mobility are challenging to capture with both discriminative and generative models. In this paper, we benchmark the performance of recurrent neural architectures (RNNs), generative adversarial networks (GANs) and nonparametric copulas to generate synthetic mobility traces. We evaluate the generated trajectories with respect to their geographic and semantic similarity, circadian rhythms, long-range dependencies, training and generation time. We also include two sample tests to assess statistical similarity between the observed and simulated distributions, and we analyze the privacy tradeoffs with respect to membership inference and location-sequence attacks.

연구 동기 및 목표

• 멤버십 공격 및 위치-시퀀스 공격 위험으로 인해 이동 데이터셋을 배포하는 데 도전하는 문제를 해결하기 위해.
• 실제 이동 데이터의 지리적, 의미적, 통계적 특성을 유지하는 합성 경로를 생성하기 위해.
• 실제성, 장거리 의존성 모델링, 훈련/생성 효율성, 개인정보 유출 측면에서 생성 모델을 평가하기 위해.
• 합성 경로 생성에서 유틸리티와 개인정보 보호 간 최적의 트레이드오프를 규명하기 위해.
• 다양한 정량적 지표를 사용하여 합성 이동 데이터셋 평가를 위한 벤치마크를 제공하기 위해.

제안 방법

• 실생활 이동 데이터셋에 대해 일곱 종류의 생성 모델—Char-RNN, RNN-LSTM, RHN, PSMM, SGAN, RGAN, 비모수적 코풀라—를 훈련한다.
• 실제 경로 분포와 합성 경로 분포 간 통계적 유사성을 정량적으로 평가하기 위해 평균 최대 차이(MMD)를 사용한다.
• 장거리 의존성을 평가하기 위해 상호정보량 감쇠 분석을 적용한다.
• 위치-시퀀스 공격 및 멤버십 추론 공격을 수행하기 위해 위치-개인정보 및 이동성 측정 도구를 사용하여 두 가지 개인정보 테스트를 실시한다.
• 실제 경로의 순서적 특성을 정확히 반영하기 위해 Esteban 등에서 제안한 바와 같이 시간 축을 정렬하여 MMD 계산의 타당성을 확보한다.
• 합성 데이터셋의 개인정보 보호 성능을 평가하기 위해 위치 은폐 기법을 활용한 왜곡을 적용한다.

실험 결과

연구 질문

• RQ1 어느 생성 모델이 실제 세계 데이터와 가장 높은 통계적 유사성을 가지는 합성 이동 경로를 생성하는가?
• RQ2 다양한 모델은 인간 이동 패턴에 내재된 장거리 의존성을 얼마나 잘 포착하는가?
• RQ3 합성 경로 생성에서 계산 효율성과 현실성 사이의 트레이드오프는 어떠한가?
• RQ4 합성 경로는 멤버십 추론 공격 또는 위치-시퀀스 공격를 통해 어느 정도 개인정보를 泄露하는가?
• RQ5 비모수적 코풀라는 경로 합성에서 유틸리티와 효율성 측면에서 심층학습 기반 모델을 초월할 수 있는가?

주요 결과

• 코풀라는 0.01의 가장 낮은 평균 최대 차이(MMD) 값을 기록하여 다른 모든 모델보다 실제 데이터와 가장 유사한 통계적 특성을 보였다.
• 코풀라는 단지 6.5초의 훈련 시간으로, RNN-LSTM 및 RHN 등 신경망 기반 모델(각각 10.3k~12.7k초)에 비해 뚜렷한 효율성 우위를 보였다.
• SGAN과 RGAN은 실제 데이터와 유사한 파wer-법 상호정보량 감쇠를 보이며, 장거리 의존성을 효과적으로 모델링하는 것으로 나타났다.
• RNN-LSTM과 코풀라 역시 파워-법 감쇠를 보이며, 장거리 이동 패턴을 효과적으로 포착하고 있음을 시사한다.
• 모든 GAN 기반 모델(SGAN, RGAN)과 코풀라는 개인정보 유출이 낮게 나타났으며, 위치 은폐 기법 적용 시 멤버십 추론 공격 정확도가 랜덤 추측 수준(0.5)에 가까웠다.
• 코풀라와 SGAN이 생성한 샘플 경로는 도로망을 따르며, 실제 장소에서의 머무름 패턴을 포함하여 실제 경로와 유사한 시각적 특성을 보였다.