Fugu-MT 論文翻訳(概要): Privacy-friendly Synthetic Data for the Development of Face Morphing Attack Detectors

論文の概要: Privacy-friendly Synthetic Data for the Development of Face Morphing Attack Detectors

arxiv url: http://arxiv.org/abs/2203.06691v2
Date: Wed, 16 Mar 2022 11:28:25 GMT
ステータス: 処理完了
システム内更新日: 2022-03-17 11:27:48.420783
Title: Privacy-friendly Synthetic Data for the Development of Face Morphing Attack Detectors
Title（参考訳）: 顔形態検出装置開発のためのプライバシフレンドリな合成データ
Authors: Naser Damer, C\'esar Augusto Fontanillo L\'opez, Meiling Fang, No\'emie Spiller, Minh Vu Pham, Fadi Boutros
Abstract要約: この研究は、最初の合成ベースMAD開発データセット、すなわちSynthetic Morphing Detection Development dataset (SMDD)を紹介する。このデータセットは、3つのMADバックボーンのトレーニングに成功し、完全に未知の攻撃タイプでも高いMAD性能が証明された。
参考スコア（独自算出の注目度）: 6.818216310314191
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The main question this work aims at answering is: can morphing attack detection (MAD) solutions be successfully developed based on synthetic data?. Towards that, this work introduces the first synthetic-based MAD development dataset, namely the Synthetic Morphing Attack Detection Development dataset (SMDD). This dataset is utilized successfully to train three MAD backbones where it proved to lead to high MAD performance, even on completely unknown attack types. Additionally, an essential aspect of this work is the detailed legal analyses of the challenges of using and sharing real biometric data, rendering our proposed SMDD dataset extremely essential. The SMDD dataset, consisting of 30,000 attack and 50,000 bona fide samples, is made publicly available for research purposes.
Abstract（参考訳）: モーフィング攻撃検出(MAD)ソリューションは、合成データに基づいて、うまく開発できるのか? . そこで本研究では,最初の合成型mad開発データセットであるsynthetic morphing attack detection development dataset (smdd)を提案する。このデータセットは、3つのMADバックボーンのトレーニングに成功し、完全に未知の攻撃タイプでも高いMAD性能が証明された。さらに、本研究の重要な側面は、実際の生体データの使用と共有の課題に関する詳細な法的分析であり、提案するsmddデータセットは非常に不可欠である。 SMDDデータセットは3万の攻撃と5万のボナフィドサンプルで構成され、研究目的で公開されている。

関連論文リスト

Generating Realistic Tabular Data with Large Language Models [49.03536886067729]
大規模言語モデル(LLM)は多様なタスクに使われてきたが、特徴と対象変数の正確な相関は捉えていない。そこで本研究では,LLMに基づく3つの重要な改良を加えて,実データの特徴クラス相関を正しく把握する手法を提案する。実験の結果,本手法は下流タスクにおいて,20個のデータセット上で10個のSOTAベースラインを著しく上回っていることがわかった。
論文参考訳（メタデータ） (2024-10-29T04:14:32Z)
Model Stealing Attack against Graph Classification with Authenticity, Uncertainty and Diversity [80.16488817177182]
GNNは、クエリ許可を通じてターゲットモデルを複製するための悪行であるモデル盗難攻撃に対して脆弱である。異なるシナリオに対応するために,3つのモデルステルス攻撃を導入する。
論文参考訳（メタデータ） (2023-12-18T05:42:31Z)
Synthetic is all you need: removing the auxiliary data assumption for membership inference attacks against synthetic data [9.061271587514215]
この仮定をどのように取り除くかを示し、MIAを合成データのみを用いて実行できるようにする。その結果,MIAは実世界の2つのデータセットと2つの合成データジェネレータでまだ成功していることがわかった。
論文参考訳（メタデータ） (2023-07-04T13:16:03Z)
Synthetic data, real errors: how (not) to publish and use synthetic data [86.65594304109567]
生成過程が下流MLタスクにどのように影響するかを示す。本稿では、生成プロセスモデルパラメータの後方分布を近似するために、Deep Generative Ensemble (DGE)を導入する。
論文参考訳（メタデータ） (2023-05-16T07:30:29Z)
A New Benchmark: On the Utility of Synthetic Data with Blender for Bare Supervised Learning and Downstream Domain Adaptation [42.2398858786125]
コンピュータビジョンにおけるディープラーニングは、大規模ラベル付きトレーニングデータの価格で大きな成功を収めた。制御不能なデータ収集プロセスは、望ましくない重複が存在する可能性のある非IIDトレーニングおよびテストデータを生成する。これを回避するために、ドメインランダム化による3Dレンダリングによる合成データを生成する方法がある。
論文参考訳（メタデータ） (2023-03-16T09:03:52Z)
SynthASpoof: Developing Face Presentation Attack Detection Based on Privacy-friendly Synthetic Data [6.218678900574128]
この研究は、大規模なPAD開発データセットとして、SynthASpoofと名付けられた、最初の合成ベースの顔PADデータセットを提示する。フェースパドの開発にSynthaspoofを用いることが可能であることを示す実験結果を得た。本研究は,限られた訓練データの多様性を高めるために,合成データのサプリメントとしての有用性を示す。
論文参考訳（メタデータ） (2023-03-05T12:35:58Z)
Membership Inference Attacks against Synthetic Data through Overfitting Detection [84.02632160692995]
我々は、攻撃者が基礎となるデータ分布についてある程度の知識を持っていると仮定する現実的なMIA設定について論じる。生成モデルの局所的なオーバーフィッティングをターゲットとして,メンバシップを推論することを目的とした密度ベースMIAモデルであるDOMIASを提案する。
論文参考訳（メタデータ） (2023-02-24T11:27:39Z)
Domain Generalization via Ensemble Stacking for Face Presentation Attack Detection [4.61143637299349]
顔提示攻撃検出(PAD)は、偽造攻撃に対する顔認識システムを保護する上で重要な役割を担っている。本研究では,合成データ生成と深層アンサンブル学習を組み合わせた包括的ソリューションを提案する。 4つのデータセットに対する実験結果は、3つのベンチマークデータセット上でのHTER(low half total error rate)を示す。
論文参考訳（メタデータ） (2023-01-05T16:44:36Z)
SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity Prediction [127.43571146741984]
薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。 SSM-DTAフレームワークについて述べる。
論文参考訳（メタデータ） (2022-06-20T14:53:25Z)
Autoregressive Perturbations for Data Poisoning [54.205200221427994]
ソーシャルメディアからのデータスクレイピングは、不正なデータの使用に関する懸念が高まっている。データ中毒攻撃は、スクラップ対策として提案されている。より広範なデータセットにアクセスせずに有毒なデータを生成できる自動回帰(AR)中毒を導入する。
論文参考訳（メタデータ） (2022-06-08T06:24:51Z)
Semi-synthesis: A fast way to produce effective datasets for stereo matching [16.602343511350252]
現実に近いテクスチャレンダリングは、ステレオマッチングのパフォーマンスを高める重要な要素です。実物に近いテクスチャーで大量のデータを合成する効果的かつ高速な方法である半合成法を提案します。実際のデータセットのさらなる微調整により、MiddleburyのSOTAパフォーマンスとKITTIおよびETH3Dデータセットの競争結果も達成します。
論文参考訳（メタデータ） (2021-01-26T14:34:49Z)

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。