Publications

Abstract: 

La generación sintética de trayectorias es crucial para poder realizar estudios y análisis en diferentes campos, como la movilidad urbana, los protocolos de redes móviles, la epidemiología computacional o la simulación de cambios en la movilidad para la planificación urbana. Actualmente, se ha observado que la generación de datos sintéticos sin protección adicional puede poner en riesgo la privacidad de los usuarios, dado que los modelos de aprendizaje profundo actuales son susceptibles a ataques de inferencia de membresía. En este artículo se presenta una actualización de un modelo de aprendizaje profundo ya existente llamado MoveSim, el cual genera datos sintéticos de trayectorias. Este modelo ha sido modificado para ser ϵ-diferencialmente privado y, de esta manera, garantizar la privacidad de los usuarios que han proporcionado sus datos sin perder un rendimiento sustancial del modelo.

Citation:

Abstract: 

La generación sintética de trayectorias es crucial para realizar estudios y análisis en campos como la movilidad sostenible, protocolos de redes móviles, epidemiología computacional o en la simulación de cambios en la movilidad para la planificación urbana. Desafortunadamente, se ha observado con diferentes tipos de datos que el uso de generadores sintéticos no es suficiente para garantizar la privacidad de los usuarios que ceden su información, ya que estos datos son susceptibles a ataques de inferencia de membresía. Este hecho, aunque se puede asumir trasladable al campo de la movilidad, no ha sido analizado hasta la fecha exclusivamente con trayectorias. En este artículo analizamos la posibilidad de realizar ataques de inferencia de membresía sobre trayectorias sintéticas basándonos en soluciones ya existentes en otros campos. Definimos un ataque de inferencia de membresía para trayectorias y medimos la privacidad empírica de conjuntos de datos sintéticos ϵ-diferencialmente privados. El ataque se ha realizado a un conjunto de trayectorias con y sin privacidad diferencial y se ha analizado la ganancia de privacidad que aporta proteger los datos con este mecanismo.

Citation: