典型文献
隐私保护下的车辆轨迹联邦嵌入学习与聚类
文献摘要：
智能网联汽车的高维轨迹数据被广泛用于从车辆的行驶轨迹中发现不同运动模式,从而降低交通风险、提高通行效率.然而,数据利用过程中的隐私问题日益受到关注,如何在隐私保护的前提下进行算法的研究和应用是当前面临的一大挑战.针对车辆轨迹数据分散在不同持有方且出于隐私保护无法共享数据的背景,利用差分隐私联邦学习框架来构建序列自编码网络提取轨迹序列的低维表示,并进一步利用轨迹的低维空间向量来发现不同时段下车辆的频繁路线.提出的框架既通过本地训练避免了用户隐私数据的分享,又能通过高斯差分隐私机制防止模型信息的泄露.该框架在真实的轨迹数据集上进行了验证,利用LSTM自编码作为嵌入学习网络,与非联邦、非差分加密的模型进行了对比分析,最后对三种得到的轨迹嵌入通过聚类分析发现该框架下学习的模型在充分尊重了隐私保护的前提下,仍然能够找出有效的频繁轨迹.
文献关键词：
序列自编码;联邦学习;差分隐私;轨迹聚类
中图分类号：
作者姓名：
孔秀平;陆林
作者机构：
扬州工业职业技术学院信息中心,江苏 扬州225127;中电云数智科技有限公司,湖北 武汉430056
文献出处：
引用格式：
[1]孔秀平;陆林-.隐私保护下的车辆轨迹联邦嵌入学习与聚类)[J].南京师范大学学报（工程技术版）,2022(02):80-86
A类：
高维轨迹数据,序列自编码
B类：
隐私保护,嵌入学习,智能网联汽车,行驶轨迹,运动模式,交通风险,通行效率,数据利用,研究和应用,车辆轨迹数据,方且,法共,共享数据,差分隐私,联邦学习,自编码网络,低维表示,低维空间,空间向量,不同时段,下车,用户隐私,隐私数据,高斯差分,隐私机制,学习网络,种得,轨迹嵌入,轨迹聚类
AB值：
0.327926
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
