Core Concepts
PrivShape는 사용자 수준 차등 프라이버시 하에서 시계열 데이터의 주요 형태를 효과적으로 추출하는 기법이다. 이를 위해 압축된 SAX 변환과 트라이 기반의 후보 형태 생성 및 정제 전략을 활용한다.
Abstract
이 논문은 시계열 데이터에서 주요 형태를 효과적으로 추출하는 PrivShape 기법을 제안한다. 시계열 데이터는 개인 정보를 포함하고 있어 프라이버시 침해 문제가 발생할 수 있다. 최근 사용자 수준 차등 프라이버시(LDP)가 이러한 문제를 해결하는 방법으로 주목받고 있다.
PrivShape는 다음과 같은 과정으로 구성된다:
압축된 SAX 변환: 시계열 데이터의 길이를 줄이고 중복된 정보를 제거하여 형태 정보를 보존한다.
트라이 기반 후보 형태 생성: 트라이 구조를 활용하여 후보 형태들을 생성하고, 트라이 확장 및 두 단계 정제 전략을 통해 유틸리티를 향상시킨다.
사용자 수준 LDP 보장: 사용자의 선택을 퍼터베이션하여 프라이버시를 보장한다.
실험 결과, PrivShape는 기존 기법인 PatternLDP에 비해 우수한 성능을 보였다. 특히 사용자 수준 프라이버시 보장이 요구되는 상황에서 PrivShape의 우수성이 두드러졌다.
Stats
시계열 데이터의 길이는 398개의 요소로 구성되어 있다.
시계열 데이터는 275개의 요소로 구성되어 있다.
시계열 데이터의 길이는 다양하게 변화한다.