Core Concepts
차별적 프라이버시 보장 하에서 원본 데이터의 특성을 잘 보존하는 합성 궤적 데이터셋을 생성하는 방법을 제안한다.
Abstract
이 논문은 개인의 위치 궤적 데이터를 활용한 다양한 응용 분야에서 발생할 수 있는 프라이버시 침해 문제를 해결하기 위해 차별적 프라이버시 기반의 궤적 합성 방법인 DPTraj-PM을 제안한다.
주요 내용은 다음과 같다:
원본 궤적 데이터를 인접 셀로 이산화하고, 접두사 트리 구조와 m-order 마르코프 프로세스를 결합하여 모델링한다.
접두사 트리 구축 시 하향식 프라이버시 예산 할당 기법을 사용하여 초기 궤적 세그먼트의 특성을 잘 보존한다.
마르코프 프로세스에 노이즈를 추가하여 차별적 프라이버시를 만족시키면서도 데이터 유틸리티를 높인다.
실험 결과, 제안 방법이 기존 기법들에 비해 데이터 유틸리티 측면에서 크게 향상된 성능을 보인다.
Stats
개인의 위치 궤적 데이터는 개인의 민감한 정보를 쉽게 유추할 수 있어 프라이버시 침해 우려가 크다.
기존 방법들은 강력한 프라이버시 보장이나 데이터 유틸리티 중 하나만 만족시키는 한계가 있다.
Quotes
"차별적 프라이버시는 개인의 참여 여부에 따른 출력 확률 차이를 제한함으로써 강력한 프라이버시 보장을 제공한다."
"접두사 트리는 초기 궤적 세그먼트의 시작점과 방향을 잘 보존할 수 있고, m-order 마르코프 프로세스는 다음 위치 예측에 효과적이다."