Protecting Time Series Data with Minimal Forecast Loss
以最小预测损失保护时间序列数据AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究时间序列数据保护对指数平滑预测及趋势、季节性模式的影响。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
以最小预测损失保护时间序列数据
- 研究问题
- 时间序列匿名化可能损害预测时，如何设计兼顾数据保护与预测效用的交换或重排方法，并量化由保护操作引起的预测损失？
- 方法与思路
- 作者推导加性指数平滑预测损失的理论界，提出近邻交换与聚类重排方法，并用整数规划求解簇内同步交换的完美匹配。
- 材料陈述的贡献
- 摘要称构建了同时考虑数据提供者与入侵者效用的框架，在数千条序列上较好保留预测表现及水平、趋势和季节性模式。
- 阅读关注点
- 应核对损失界适用的预测模型、隐私威胁模型和保护评价标准，并检查整数规划的可扩展性及不同数据模式下的权衡。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未给出隐私保证和比较数值，也不足以确认具体场景的法规合规性。
原文摘要
Forecasting could be negatively impacted due to anonymization requirements in data protection legislation. To measure the potential severity of this problem, we derive theoretical bounds for the loss to forecasts from additive exponential smoothing models using protected data. Following the guidelines of anonymization from the General Data Protection Regulation (GDPR) and California Consumer Privacy Act (CCPA), we develop the $k$-nearest Time Series ($k$-nTS) Swapping and $k$-means Time Series ($k$-mTS) Shuffling methods to create protected time series data that minimizes the loss to forecasts while preventing a data intruder from detecting privacy issues. For efficient and effective decision making, we formally model an integer programming problem for a perfect matching for simultaneous data swapping in each cluster. We call it a two-party data privacy framework since our optimization model includes the utilities of a data provider and data intruder. We apply our data protection methods to thousands of time series and find that it maintains the forecasts and patterns (level, trend, and seasonality) of time series well compared to standard data protection methods suggested in legislation. Substantively, our paper addresses the challenge of protecting time series data when used for forecasting. Our findings suggest the managerial importance of incorporating the concerns of forecasters into the data protection itself.