轨迹生成生成模型的隐私评估
该研究探讨了生成式轨迹模型的隐私评估问题。尽管生成对抗网络（GANs）、变分自编码器（VAEs）和扩散模型等生成模型常被认为能保护隐私，但研究表明这一假设不成立。研究者确定了适用于轨迹生成任务的隐私评估实证方法，发现当前评估存在显著缺口，并通过针对代表性模型的成员推理攻击展示了隐私风险的存在。
轨迹数据是现代城市智能的基础，广泛应用于交通管理、城市规划、移动服务等领域。然而，轨迹数据包含个人移动模式、活动规律等敏感信息，其采集和发布可能引发严重的隐私问题。为了解决这一矛盾，研究人员开发了多种生成模型，如生成对抗网络（GANs）、变分自编码器（VAEs）和扩散模型，用于生成逼真的合成轨迹数据。这些模型通过捕捉轨迹数据的潜在时空分布和移动模式来合成数据，旨在替代真实轨迹发布。
由于这些模型仅学习数据的统计特性而非直接记忆原始记录，人们通常假设它们自然具备隐私保护能力。但最新研究质疑了这一假设。来自多所机构的研究团队系统考察了生成式轨迹模型的隐私评估现状。他们首先梳理了适用于轨迹生成任务的隐私保护实证评估方法，发现现有评估实践存在显著缺口：大多数研究仅使用简单的距离度量或视觉检查，缺乏对成员推理攻击等强隐私威胁的系统性测试。
为弥补这一不足，研究团队选择多个代表性生成模型（包括GAN、VAE、扩散模型）实施成员推理攻击。成员推理攻击旨在判断特定个体的数据是否被用于模型训练，是衡量隐私泄露风险的重要指标。实验结果表明，所有被测试模型均存在不同程度的隐私泄露，即使模型具有较好的生成质量，也无法完全消除隐私风险。这直接证明生成模型的“生成性”不能保证隐私安全。
该论文已被2026年第一届多传感器轨迹知识发现与提取研讨会（MuseKDE 2026）接收，该研讨会与第27届IEEE国际移动数据管理会议（IEEE MDM 2026）联合举办。研究结果强调，在轨迹生成领域必须建立全面、严格的隐私评估标准，而不能盲目信任生成模型。未来工作需开发更强大的隐私保护机制和更全面的评估框架，以确保合成轨迹数据的实用性与隐私安全平衡。