Generación sintética de trayectorias mediante aprendizaje profundo con garantías de privacidad diferencial

Abstract

La generación sintética de trayectorias es cru- cial para poder realizar estudios y análisis en diferentes campos, como la movilidad urbana, los protocolos de redes móviles, la epidemiología computacional o la simulación de cambios en la movilidad para la planificación urbana. Actual- mente, se ha observado que la generación de datos sintéticos sin protección adicional puede poner en riesgo la privacidad de los usuarios, dado que los modelos de aprendizaje profundo actuales son ataques de inferencia de membresía. un modelo de aprendizaje profundo ya existente llamado MoveSim, el cual genera datos sintéticos Este modelo ha sido modificado ferencialmente privado y, de esta manera, garantizar la privacidad de los usuarios que han proporcionado sus datos sin perder un rendimiento sustancial del modelo.