四个流动性数据集的熵和可预测性。熵SA的分布(等式。1)对于四个数据集的每一个。b可预测性πA的相应分布，通过对等式求逆来计算。2，告诉我们一个理想的算法能多好地预测一个人的未来位置，给定他们的移动历史。鸣谢:自然通讯(2022)。DOI: 10.1038/s41467-022-29592-y通过手机应用程序、健身追踪器、信用卡日志、访问的网站和其他方式不断收集关于我们习惯和运动的数据。但如果我们关闭设备上的数据追踪，我们不是无法追踪吗？
不，根据一项新的研究。
罗切斯特大学物理学、数学和计算机科学副教授、92级斯蒂芬·比格和92级伊丽莎白·阿萨罗数据科学研究员古拉卜·戈沙尔说:“关掉你的位置数据不会有完全的帮助。
戈沙尔与埃克塞特大学、里约热内卢联邦大学、东北大学和佛蒙特大学的同事一起，应用信息论和网络科学的技术来研究个人数据的影响范围。研究人员发现，即使个人用户关闭数据跟踪，不分享自己的信息，他们的移动模式仍然可以根据从熟人那里收集的数据以惊人的准确性预测。
“更糟糕的是，”戈沙尔说，“几乎同样多的潜在信息可以从个人倾向于与之共处的完全陌生的人那里提取出来。”
研究人员在《自然通讯》上发表了他们的发现。
确凿的证据:您的“主机代管网络”
研究人员分析了四个数据集:三个基于位置的社交网络数据集，由Brightkite、脸书和Foursquare等应用程序上的数百万次签到组成，以及一个包含近3.6万名匿名用户超过2200万次通话的通话数据记录。
他们开发了一个“协同定位”网络来区分两组人的移动模式:
与个人有社会联系的人，如家庭成员、朋友或同事与个人没有社会联系，但与个人在同一时间处于同一地点的人。他们可能包括在同一栋大楼里不同公司工作的人，孩子在同一所学校上学但彼此不认识的父母，或者在同一家杂货店购物的人。通过应用信息论和熵的测量——一系列位置访问的随机或结构程度——研究人员了解到，与个人有社会联系的人的移动模式包含了预测个人移动模式所需的高达95%的信息。然而，更令人惊讶的是，他们发现与个人没有社交联系的陌生人也可以提供重要信息，预测高达85%的个人运动。
一个警示性的故事
在城市规划和疫情控制等领域，预测个人或群体位置的能力可能是有益的，在这些领域，基于移动模式的接触追踪是阻止疾病传播的关键工具。此外，许多消费者欣赏数据挖掘为餐馆、电视节目和广告提供定制推荐的能力。
然而，戈沙尔说，数据挖掘是一个滑坡，特别是因为，正如研究显示的那样，通过移动应用程序共享数据的个人可能会无意中提供其他人的信息。
“我们提供了一个警示故事，人们应该意识到他们的数据可以有多深远，”他说。“这项研究对监控和隐私问题有很大的影响，特别是随着专制冲动的兴起。我们不能只是告诉人们关掉他们的手机或者离开网络。我们需要对话来制定法律和指导方针，规范人们如何收集和使用你的数据。”
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
