Learning from the History: Accurately and Efficiently Aggregating Geospatial Data Under Local Differential Privacy
Notice bibliographique
Résumé
Aggregating geospatial data plays a crucial role in location-based services. However, collecting such sensitive data raises concerns about location privacy leakage. Local Differential Privacy (LDP), as a de facto privacy paradigm, has been widely employed to ensure individual location privacy. Nonetheless, existing approaches for aggregating geospatial data under LDP either suffer from compromised accuracy or involve complex computations. In this work, we propose a history-aware geospatial data aggregation framework to enhance both accuracy and efficiency while guaranteeing LDP. To this end, we first investigate an efficient aggregation method, namely General Randomized Response (GRR), and find that its variance of aggregation error follows the sum of two zero-mean binomial distributions. This reveals that multiple aggregations can boost the accuracy of GRR. To obtain multiple aggregations without compromising privacy, we adopt a Markov transition model to complement current aggregations from historical ones. However, learning the Markov transition matrix on perturbed data is challenging. Accordingly, we propose a privacy-aware Markov Transition Matrix Estimation (MTME) algorithm. Finally, we introduce a truth discovery-based refinement algorithm to iteratively derive an accurate aggregated result from multiple inaccurate aggregations. We evaluate our proposed method on two real-world trajectory datasets, and thorough experiments demonstrate its superior accuracy and very low time overhead compared to competitors.
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 | 0,003 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 ».