文献

J-GLOBAL ID：201602251538094070   整理番号：16A0604238

行列およびテンソル因数分解を用いた局在化攻撃【Powered by NICT】

Localization Attacks Using Matrix and Tensor Factorization

著者 (2件)： Murakami Takao (Inf. Technol. Res. Inst., Nat. Inst. of Adv. Ind. Sci. & Technol., Tokyo, Japan) ,  Watanabe Hajime (Inf. Technol. Res. Inst., Nat. Inst. of Adv. Ind. Sci. & Technol., Tokyo, Japan)
資料名： IEEE Transactions on Information Forensics and Security  (IEEE Transactions on Information Forensics and Security)
巻： 11  号： 8  ページ： 1647-1660  発行年： 2016年 
JST資料番号： W1570A  ISSN： 1556-6013  CODEN： ITIFA6  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 各種位置プライバシー攻撃の目標ユーザのための学習であることを個別遷移行列,または全てのターゲットユーザに共通する集団遷移行列を用いて実行できることが知られている。しかし,多くのユーザは日常生活における位置情報の少量のみを明らかにするため,訓練データは非常にスパースに成り得る。本論文の目的は,この現実的な状況における位置プライバシー攻撃のリスクを明らかにすることである。この目的を達成するために,著者らは少量の訓練データから個別遷移行列(または生息数推移行列)を正確に推定するためにテンソル因数分解(または行列因数分解)を用いた学習法を提案した。個別遷移行列(または個体群遷移行列)を因数分解することにおける困難を回避するために,この学習法は,第一遷移数テンソル(またはマトリックス),その要素は,ユーザが行った転移数の数である,確率への数を正常化するを因数分解する。局在攻撃,難読化トレースから与えられた時間瞬間におけるユーザの実際の位置を導出するに着目し,個別化されたマトリックスモードと集団マトリックスモードの両方では最尤(ML)推定法と学習法を比較した。四つの実データ集合を用いた実験結果は,ML推定法は,多くの場合,ランダム推定と同様にのみ行うが,この学習法は,全四データセットのML推定法より優れていることを示した。Copyright 2016 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 利用者 ,  小規模 ,  *因数分解 ,  学習 ,  最尤法 ,  プライバシー ,  個体群 ,  位置情報 ,  *テンソル
準シソーラス用語： データセット ,  推定法 ,  難読化 ,  個体数 ,  訓練データ ,  遷移行列 , 【Automatic Indexing@JST】

著者キーワード (5件)： 行列因数分解 ,  位置プライバシー ,  局在攻撃 ,  Markov連鎖 ,  テンソル因数分解

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (5件)： 行列 ,  テンソル ,  因数分解 ,  局在化 ,  攻撃