[论文解读] 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 7

一句话总结

PrivTrace 提出了一种差异隐私轨迹合成框架，通过自适应地结合一阶和二阶马尔可夫模型，在信息丰富度与噪声注入之间实现平衡。通过根据噪声敏感度和置信度动态选择模型，并采用基于优化的方法估计行程分布，PrivTrace 生成了高质量的合成轨迹，在真实世界和合成数据集上均优于现有最先进方法的准确性和实用性。

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.

研究动机与目标

• 为在保护个体隐私的同时发布轨迹数据，通过差异隐私（DP）解决该挑战。
• 克服现有方法的局限性，这些方法要么仅使用一阶马尔可夫模型（信息不足），要么使用高阶模型（噪声过多）。
• 开发一种框架，自适应地在一阶和二阶马尔可夫模型之间进行选择，以优化数据实用性与隐私成本之间的权衡。
• 减少由于 DP 机制导致的行程分布估计偏差，特别是在隐私预算较低的情况下。

提出的方法

• 采用混合马尔可夫模型框架，在轨迹生成过程中根据噪声敏感度和模型置信度，动态选择一阶或二阶马尔可夫链。
• 引入虚拟起始和终止状态以捕捉轨迹边界，随后通过基于优化的估计方法进行校正，以减少 DP 所致噪声带来的偏差。
• 对一阶和二阶马尔可夫模型中的转移概率应用差异隐私，谨慎分配隐私预算，以在保留结构模式的同时最小化噪声。
• 使用递归划分和基于网格的离散化对空间数据进行预处理，以支持高效且差异隐私的查询处理。
• 实施基于随机游走的生成过程，利用所选马尔可夫模型采样下一状态，确保合成轨迹反映真实世界移动模式。
• 通过构建约束优化问题来优化行程分布估计，强制要求每条轨迹恰好为其起始和终止状态计数贡献一次。

实验结果

研究问题

• RQ1 如何在差异隐私轨迹合成中有效平衡信息丰富度与噪声注入？
• RQ2 在实用性与隐私成本之间，一阶与二阶马尔可夫模型的最优权衡是什么？
• RQ3 与固定阶数模型相比，一阶与二阶马尔可夫链之间的自适应模型选择策略能否提升合成轨迹质量？
• RQ4 在差异隐私下，如何减少行程分布估计的偏差，特别是在隐私预算有限的情况下？
• RQ5 PrivTrace 在多样化数据集和评估指标下，与现有最先进方法相比，在轨迹合成实用性方面有多大的超越？

主要发现

• PrivTrace 在多个指标上持续优于现有方法，包括 DPT 和 AdaTrace，如轨迹相似性、下一步预测准确性以及空间分布保真度。
• 一阶与二阶马尔可夫模型之间的自适应选择显著提升了合成轨迹质量，尤其在隐私预算有限的情况下表现突出。
• 基于优化的行程分布估计方法有效减少了起始和终止状态计数的偏差，尤其在低 epsilon 设置下，提升了生成轨迹的真实性。
• 消融研究证实，自适应模型选择和行程分布估计两个组件对 PrivTrace 性能至关重要，二者均对整体实用性有显著贡献。
• 尽管长轨迹由于误差累积而准确度低于短轨迹，PrivTrace 仍保持强劲性能，表明其在序列生成中的鲁棒性。