軌跡生成生成模型的隱私評估
該研究探討了生成式軌跡模型的隱私評估問題。儘管生成對抗網路（GANs）、變分自編碼器（VAEs）和擴散模型等生成模型常被認為能保護隱私，但研究表明這一假設不成立。研究者確定了適用於軌跡生成任務的隱私評估實證方法，發現當前評估存在顯著缺口，並透過針對代表性模型的成員推理攻擊展示了隱私風險的存在。
軌跡資料是現代城市智慧的基礎，廣泛應用於交通管理、城市規劃、移動服務等領域。然而，軌跡資料包含個人移動模式、活動規律等敏感資訊，其採集和釋出可能引發嚴重的隱私問題。為了解決這一矛盾，研究人員開發了多種生成模型，如生成對抗網路（GANs）、變分自編碼器（VAEs）和擴散模型，用於生成逼真的合成軌跡資料。這些模型透過捕捉軌跡資料的潛在時空分佈和移動模式來合成資料，旨在替代真實軌跡釋出。
由於這些模型僅學習資料的統計特性而非直接記憶原始記錄，人們通常假設它們自然具備隱私保護能力。但最新研究質疑了這一假設。來自多所機構的研究團隊系統考察了生成式軌跡模型的隱私評估現狀。他們首先梳理了適用於軌跡生成任務的隱私保護實證評估方法，發現現有評估實踐存在顯著缺口：大多數研究僅使用簡單的距離度量或視覺檢查，缺乏對成員推理攻擊等強隱私威脅的系統性測試。
為彌補這一不足，研究團隊選擇多個代表性生成模型（包括GAN、VAE、擴散模型）實施成員推理攻擊。成員推理攻擊旨在判斷特定個體的資料是否被用於模型訓練，是衡量隱私洩露風險的重要指標。實驗結果表明，所有被測試模型均存在不同程度的隱私洩露，即使模型具有較好的生成質量，也無法完全消除隱私風險。這直接證明生成模型的“生成性”不能保證隱私安全。
該論文已被2026年第一屆多感測器軌跡知識發現與提取研討會（MuseKDE 2026）接收，該研討會與第27屆IEEE國際行動數據管理會議（IEEE MDM 2026）聯合舉辦。研究結果強調，在軌跡生成領域必須建立全面、嚴格的隱私評估標準，而不能盲目信任生成模型。未來工作需開發更強大的隱私保護機制和更全面的評估框架，以確保合成軌跡資料的實用性與隱私安全平衡。