Achieving Privacy Utility Balance for Multivariate Time Series Data
多元时间序列数据的隐私与效用平衡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：摘要以多元时间序列的自相关结构和全通滤波为核心，明确对应时间序列方法，但未说明宏观政策或预测应用。
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
多元时间序列数据的隐私与效用平衡
- 研究问题
- 加噪会破坏时间序列自相关结构，如何在多元数据发布中兼顾隐私保护与统计效用，并评估二者的权衡？
- 方法与思路
- 作者将已有全通滤波思路扩展为多元全通滤波，通过优化算法寻求隐私与效用平衡，并使用模拟及人口普查局数据评估。
- 材料陈述的贡献
- 摘要称提出多元全通滤波方法及配套优化算法，并在模拟数据和美国人口普查局季度劳动力指标数据上检验效果。
- 阅读关注点
- 应核对隐私与效用的数学定义、滤波保留哪些相关结构，以及优化目标、攻击情景和真实数据评估的具体设置。
- 阅读边界
- 所据版本为 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明形式化隐私保证，不能将所述隐私保护等同于差分隐私。
原文摘要
Utility-preserving data privatization is of utmost importance for data-producing agencies. The popular noise-addition privacy mechanism distorts autocorrelation patterns in time series data, thereby marring utility; in response, McElroy et al. (2023) introduced all-pass filtering (FLIP) as a utility-preserving time series data privatization method. Adapting this concept to multivariate data is more complex, and in this paper we propose a multivariate all-pass (MAP) filtering method, employing an optimization algorithm to achieve the best balance between data utility and privacy protection. To test the effectiveness of our approach, we apply MAP filtering to both simulated and real data, sourced from the U.S. Census Bureau's Quarterly Workforce Indicator (QWI) dataset.