该论文研究发布签到轨迹数据时的下一兴趣点（next-POI）隐私泄露风险。攻击者可以利用发布的轨迹训练预测模型，高精度推断用户未来位置。现有图像域的不可学习示例方法直接迁移到轨迹数据时会失败，因为生成的扰动必须保持地理和语义合理性，且需抵抗利用随机化防御结构的净化攻击。为此，作者提出Ghost框架，通过流形对齐生成不可学习的轨迹：利用冻结的轨迹语言模型将每次替代扰动引导到真实轨迹流形上，使得去噪桥攻击者无法恢复原始信号，而上下文无关的频率表攻击者只能得到近均匀分布。在两个标准基准和四种攻击者姿态下，Ghost实现了与最强确定性基线PGD相当的保护差距，同时在两个数据集上均达到最低的恢复准确率（针对二元自适应净化攻击），且在保护-抗净化平面上与PGD相差在一个单元标准差内。消融实验表明，流形先验超越了先前随机化防御的熵下限机制，即使泄露20%的pair，频率表攻击者的生存差距仍保持在0.04以内。该工作为轨迹隐私保护提供了新思路。

本文针对基于信道图（channel charting）的位置服务（LBS）中的位置隐私问题展开研究。信道图技术通过利用信道状态信息构建虚拟位置图谱，从而在不依赖显式位置信息的情况下提供定位服务，这一特性虽天然具备一定隐私优势，但缺乏形式化的隐私保护保证。为此，作者提出了一种称为“图表位置不可区分性”（CLI）的隐私概念，将地理不可区分性（geo-indistinguishability）扩展到信道图表示中。为了实现CLI，论文首先研究了标准的平面拉普拉斯机制，并进一步设计了一种基于几何感知的马氏范数平面拉普拉斯（MNPL）机制。该机制通过注入与图表局部结构对齐的噪声来扰动信道图，在隐私约束下保持流形拓扑。具体而言，隐私定义在潜在的信道图流形上，利用从图表邻域导出的局部自适应协方差来生成噪声。此外，论文还将差分隐私作为隐私基线进行对比。实验评估在多种信道图方案上进行，使用质量损失（QL）和范围查询误差（RQE）等效用指标，以及可信度（TW）和连续性（CT）等几何感知指标。数值结果表明，所提出的隐私机制能在为LBS任务保留信道图可用性的同时提供强大的隐私保护。该研究为信道图位置服务的隐私保护提供了新的理论基础和实用方法。