[논문 리뷰] LSTM-TrajGAN: A Deep Learning Approach to Trajectory Privacy Protection

Jinmeng Rao, Song Gao외 2명|arXiv (Cornell University)|2020. 06. 14.

Human Mobility and Location-Based Analysis참고 문헌 27인용 수 36

한 줄 요약

요약: 엔드-투-엔드 딥러닝 모델인 LSTM-TrajGAN를 도입하여 사용자 프라이버시를 보호하면서 분석적 유용성을 유지하는 프라이버시 보존 합성 궤적을 생성합니다.

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.

연구 동기 및 목표

• 위치 기반 서비스에서 궤적 프라이버시 보호의 필요성과 분석적 유용성 보존의 필요성을 동기화한다.
• 프라이버시 보존 합성 궤적을 생성하기 위한 엔드-투-엔드 딥러닝 프레임워크를 제안한다.
• 프라이버시 보호와 궤적 유용성을 공동 최적화하는 TrajLoss 지표를 개발한다.
• 궤적-사용자 연결에 대한 프라이버시 보호를 평가하고 공간-시간 분석을 통해 합성 궤적의 유용성을 평가한다.

제안 방법

• 궤적을 데이터셋 중심점으로부터의 공간 편차 및 원-핫 시간/카테고리 특징으로 인코딩한다.
• 세 가지 구성 요소의 LSTM-TrajGAN: 궤적 인코더/임베딩, 임베딩된 특징과 노이즈를 융합하는 생성기, 실궤적과 합성 궤적을 구분하는 판별기로 구성된다.
• 트랙 Loss인 TrajLoss를 사용하여 판별기의 BCE와 공간, 시간, 범주 유사도 손실을 결합한 복합 손실로 학습한다.
• 합성 궤적을 위도/경도 편차 및 원-핫 시간/범주 속성을 밀집층을 통해 디코딩한다.
• 궤적-사용자 연결 작업에서 무작위 섭동 및 가우시안 지오마스킹과 비교하고 공간-시간 유용성을 분석한다.

실험 결과

연구 질문

• RQ1 RQ1: LSTM-TrajGAN이 TUL 작업에서 궤적 작성자를 재식별로부터 얼마나 effectively 보호하는가?
• RQ2 RQ2: 합성 궤적이 실제 궤적에 비해 필수적인 공간적, 시간적 및 주제적 특성을 보존하는가?

주요 결과

Method	ACC@1	ACC@5	Macro-F1	Macro-P	Macro-R
원본	0.938	0.976	0.925	0.937	0.927
RP(공간만)	0.777	0.934	0.758	0.806	0.764
RP(공간-시간)	0.668	0.888	0.640	0.711	0.654
가우시안(공간만)	0.561	0.832	0.522	0.573	0.537
가우시안(공간-시간)	0.486	0.766	0.431	0.488	0.470
LSTM-TrajGAN	0.459	0.722	0.381	0.429	0.428

• 합성 궤적은 TUL 정확도를 크게 감소시켜 ACC@1을 0.938에서 0.459로, ACC@5를 0.976에서 0.722로 낮춰 강력한 프라이버시 보호를 시사한다.
• LSTM-TrajGAN은 프라이버시와 유용성의 균형에서 베이스라인 지오마스킹 방법보다 뛰어나며, 무작위 섭동 및 가우시안 방법보다 TUL 지표 감소가 더 크다.
• 합성 궤적의 공간적 및 시간적 특성은 비교적 잘 보존되며 시간적/카테고리 분포가 원본에 근접하게 정렬된다(분석에서 피어슨 상관계수 보고).
• Hausdorff 및 Jaccard 기반 공간 분석에서 LSTM-TrajGAN은 가우시안 지오마스킹보다 공간 유사성이 더 우수하고 프라이버시 보호도 강력하다.
• 모델 민감도 분석은 학습률과 임베딩 차원이 프라이버시-유용성 트레이드오프에 큰 영향을 미친다는 것을 보여준다.