FLIP: A Utility Preserving Privacy Mechanism for Time Series
FLIP：保留时间序列效用的隐私机制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：摘要核心是规则采样随机过程的相关结构与滤波隐私机制，直接涉及时间序列方法。
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
FLIP：保留时间序列效用的隐私机制
- 研究问题
- 发布相关时间序列时，如何提供实体层面的隐私保护，同时避免白噪声扰动明显改变对预测重要的序列相关结构？
- 方法与思路
- 作者提出对规则采样时间序列使用全通滤波作为隐私机制，围绕相关结构所体现的数据效用与实体层面隐私保证进行分析。
- 材料陈述的贡献
- 摘要称全通滤波机制能够保留时间序列效用，并为实体级序列提供充分的隐私保证，但未展示具体保证形式和评价结果。
- 阅读关注点
- 应核对隐私定义及攻击者信息、滤波器构造与随机化方式，以及所保留效用的数学含义和对实际预测任务的适用范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明隐私强度或是否满足差分隐私，不能将其与差分隐私保证等同。
原文摘要
Guaranteeing privacy in released data is an important goal for data-producing agencies. There has been extensive research on developing suitable privacy mechanisms in recent years. Particularly notable is the idea of noise addition with the guarantee of differential privacy. There are, however, concerns about compromising data utility when very stringent privacy mechanisms are applied. Such compromises can be quite stark in correlated data, such as time series data. Adding white noise to a stochastic process may significantly change the correlation structure, a facet of the process that is essential to optimal prediction. We propose the use of all-pass filtering as a privacy mechanism for regularly sampled time series data, showing that this procedure preserves utility while also providing sufficient privacy guarantees to entity-level time series.