An Analysis of Differential Privacy Research in Location Data
Notice bibliographique
Résumé
Location data is becoming ubiquitous with the spread of smart devices, and social media geo-tagged feeds. However, sharing location data may lead to serious privacy risks that must not be overlooked. Differential privacy is the standard technique that provides strong privacy guarantees regardless of the adversary's side information. Usually, this is achieved by adding noise to the true result of the statistical query extracted from the data. However, a straight forward application of differential privacy to location data is not always possible. The growing interest in designing solutions to achieve differential privacy that take into account the characteristics of location data is evident from the substantial number of works done in this field. This paper briefly reviews research works done in differential privacy targeted toward location data from the data flow perspective, including the collection, aggregation, and mining. Our goal is to help newcomers to the field to better understand the state-of-the art by providing a research map that highlights the different challenges in designing frameworks, as well as novel approaches, that tackle the characteristics of location data. We identify multiple challenges to the application of differential privacy to location data, such as the calibration of the added noise to assure utility, finding the optimal spatial division to release the location aggregate per region while balancing privacy and utility. We also discuss the future directions concluded from the analysis.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,019 | 0,069 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,006 | 0,013 |
| Études des sciences et des technologies | 0,003 | 0,007 |
| Communication savante | 0,008 | 0,019 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,003 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».