論文の概要: Discrete Few-Shot Learning for Pan Privacy

• arxiv url: http://arxiv.org/abs/2006.13120v1
• Date: Tue, 23 Jun 2020 16:16:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-17 22:06:27.361998
• Title: Discrete Few-Shot Learning for Pan Privacy
• Title（参考訳）: パンプライバシのための離散ショット学習
• Authors: Roei Gelbhart, Benjamin I. P. Rubinstein
• Abstract要約: 画像認識のための離散埋め込みベクトルの少数ショット学習における最初のベースライン結果を示す。 我々は,ユーザの埋め込みベクトルを直接格納しない認識システムを構築するために,一方通行ハッシュ関数を用いた簡単な暗号プロトコルを考案した。
• 参考スコア（独自算出の注目度）: 18.511887319955825
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper we present the first baseline results for the task of few-shot learning of discrete embedding vectors for image recognition. Few-shot learning is a highly researched task, commonly leveraged by recognition systems that are resource constrained to train on a small number of images per class. Few-shot systems typically store a continuous embedding vector of each class, posing a risk to privacy where system breaches or insider threats are a concern. Using discrete embedding vectors, we devise a simple cryptographic protocol, which uses one-way hash functions in order to build recognition systems that do not store their users' embedding vectors directly, thus providing the guarantee of computational pan privacy in a practical and wide-spread setting.
• Abstract（参考訳）: 本稿では,画像認識のための離散埋め込みベクトルのマイナショット学習のタスクにおいて,最初のベースライン結果を示す。 少ないショット学習は高度に研究されたタスクであり、一般的にクラス毎に少数の画像で訓練するリソースに制約された認識システムによって活用される。 通常、システムは各クラスの連続的な埋め込みベクトルを格納し、システム侵害やインサイダーの脅威が懸念されるプライバシーにリスクを及ぼす。 個別の埋め込みベクターを用いて、ユーザの埋め込みベクターを直接格納しない認識システムを構築するために、一方通行ハッシュ関数を使用する単純な暗号プロトコルを考案し、実用的な広帯域環境で計算パンのプライバシを保証する。

関連論文リスト

• PPIDSG: A Privacy-Preserving Image Distribution Sharing Scheme with GAN in Federated Learning [2.0507547735926424]
  分散学習(FL)は、分散クライアントでのプライバシー保護のための協調トレーニングを可能にするため、注目を集めている。 最近の研究によると、個人データを敵に公開するリスクは依然として残っている。 GAN(PPIDSG)を用いたプライバシー保護型画像配信方式を提案する。
  論文  参考訳（メタデータ） (2023-12-16T08:32:29Z)
• Independent Distribution Regularization for Private Graph Embedding [55.24441467292359]
  グラフ埋め込みは属性推論攻撃の影響を受けやすいため、攻撃者は学習したグラフ埋め込みからプライベートノード属性を推測することができる。 これらの懸念に対処するため、プライバシ保護グラフ埋め込み手法が登場した。 独立分散ペナルティを正規化項として支援し, PVGAE(Private Variational Graph AutoEncoders)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-08-16T13:32:43Z)
• Unified Mask Embedding and Correspondence Learning for Self-Supervised Video Segmentation [76.40565872257709]
  我々は、局所的な識別的特徴学習のためのフレーム間密度対応を同時にモデル化する統合フレームワークを開発する。 ラベルなしビデオから直接マスク誘導シーケンシャルセグメンテーションを実行することができる。 我々のアルゴリズムは、2つの標準ベンチマーク(DAVIS17とYouTube-VOS)に最先端をセットする。
  論文  参考訳（メタデータ） (2023-03-17T16:23:36Z)
• Towards Privacy-Preserving, Real-Time and Lossless Feature Matching [8.418466369442413]
  本稿では,ランダムな置換,4L-DEC,および既存の同型暗号化技術によって特徴を保護するSecureというプラグインモジュールを提案する。 Secureは初めて、公開機能間のリアルタイムかつロスレスな機能マッチングを実現し、現在の最先端技術よりもはるかに高いセキュリティレベルを実現した。
  論文  参考訳（メタデータ） (2022-07-30T13:25:59Z)
• PARTICUL: Part Identification with Confidence measure using Unsupervised Learning [0.0]
  PartICULは、きめ細かい認識に使われるデータセットから部分検出器を教師なしで学習するための新しいアルゴリズムである。 トレーニングセット内のすべての画像のマクロ類似性を利用して、事前訓練された畳み込みニューラルネットワークの特徴空間における繰り返しパターンをマイニングする。 我々の検出器は、その予測に対する信頼度を測りながら、物体の一部を一貫して強調することができることを示す。
  論文  参考訳（メタデータ） (2022-06-27T13:44:49Z)
• No Token Left Behind: Explainability-Aided Image Classification and Generation [79.4957965474334]
  ここでは、CLIPが入力のすべての関連する意味的部分に焦点を当てることを保証するために、損失項を追加する新しい説明可能性に基づくアプローチを提案する。 本手法は, 追加訓練や微調整を伴わずに, 認識率の向上を図っている。
  論文  参考訳（メタデータ） (2022-04-11T07:16:39Z)
• LEAD: Self-Supervised Landmark Estimation by Aligning Distributions of Feature Similarity [49.84167231111667]
  自己監督型ランドマーク検出における既存の研究は、画像から高密度(ピクセルレベルの)特徴表現を学習することに基づいている。 自己教師付き方式で高密度同変表現の学習を強化するアプローチを提案する。 機能抽出器にそのような先行性があることは,アノテーションの数が大幅に制限されている場合でも,ランドマーク検出に役立ちます。
  論文  参考訳（メタデータ） (2022-04-06T17:48:18Z)
• TenSEAL: A Library for Encrypted Tensor Operations Using Homomorphic Encryption [0.0]
  モノモルフィック暗号化を用いたプライバシー保護機械学習のためのオープンソースライブラリTenSEALを紹介します。 我々は,半メガバイト以下の通信を用いて,暗号化畳み込みニューラルネットワークを1秒以内で評価可能であることを示す。
  論文  参考訳（メタデータ） (2021-04-07T14:32:38Z)
• Detection of Adversarial Supports in Few-shot Classifiers Using Feature Preserving Autoencoders and Self-Similarity [89.26308254637702]
  敵対的なサポートセットを強調するための検出戦略を提案する。 我々は,特徴保存型オートエンコーダフィルタリングと,この検出を行うサポートセットの自己相似性の概念を利用する。 提案手法は攻撃非依存であり, 最善の知識まで, 数発分類器の検出を探索する最初の方法である。
  論文  参考訳（メタデータ） (2020-12-09T14:13:41Z)
• Separating Content from Style Using Adversarial Learning for Recognizing Text in the Wild [103.51604161298512]
  画像中の複数の文字の生成と認識のための逆学習フレームワークを提案する。 我々のフレームワークは、新しい最先端の認識精度を達成するために、最近の認識手法に統合することができる。
  論文  参考訳（メタデータ） (2020-01-13T12:41:42Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。