論文の概要: MetaMorphosis: Task-oriented Privacy Cognizant Feature Generation for
Multi-task Learning
- arxiv url: http://arxiv.org/abs/2305.07815v1
- Date: Sat, 13 May 2023 01:59:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-16 19:39:03.909164
- Title: MetaMorphosis: Task-oriented Privacy Cognizant Feature Generation for
Multi-task Learning
- Title(参考訳): MetaMorphosis:マルチタスク学習のためのタスク指向プライバシ認知機能生成
- Authors: Md Adnan Arefeen, Zhouyu Li, Md Yusuf Sarwar Uddin, Anupam Das
- Abstract要約: 本稿ではMetaMorphosisと呼ばれる,深層学習に基づくプライバシー認識機能生成プロセスを提案する。
本稿では,MetaMorphosisが,プライバシー要件を保証し,近年の敵対的学習や普遍的特徴生成方法よりも優れていることを示す。
- 参考スコア(独自算出の注目度): 6.056197449765416
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the growth of computer vision applications, deep learning, and edge
computing contribute to ensuring practical collaborative intelligence (CI) by
distributing the workload among edge devices and the cloud. However, running
separate single-task models on edge devices is inefficient regarding the
required computational resource and time. In this context, multi-task learning
allows leveraging a single deep learning model for performing multiple tasks,
such as semantic segmentation and depth estimation on incoming video frames.
This single processing pipeline generates common deep features that are shared
among multi-task modules. However, in a collaborative intelligence scenario,
generating common deep features has two major issues. First, the deep features
may inadvertently contain input information exposed to the downstream modules
(violating input privacy). Second, the generated universal features expose a
piece of collective information than what is intended for a certain task, in
which features for one task can be utilized to perform another task (violating
task privacy). This paper proposes a novel deep learning-based
privacy-cognizant feature generation process called MetaMorphosis that limits
inference capability to specific tasks at hand. To achieve this, we propose a
channel squeeze-excitation based feature metamorphosis module, Cross-SEC, to
achieve distinct attention of all tasks and a de-correlation loss function with
differential-privacy to train a deep learning model that produces distinct
privacy-aware features as an output for the respective tasks. With extensive
experimentation on four datasets consisting of diverse images related to scene
understanding and facial attributes, we show that MetaMorphosis outperforms
recent adversarial learning and universal feature generation methods by
guaranteeing privacy requirements in an efficient way for image and video
analytics.
- Abstract(参考訳): コンピュータビジョンアプリケーションの成長、ディープラーニング、エッジコンピューティングは、エッジデバイスとクラウドにワークロードを分散させることで、実用的なコラボレーションインテリジェンス(CI)の確保に寄与する。
しかしながら、エッジデバイス上で別々のシングルタスクモデルを実行することは、必要な計算リソースと時間に関して非効率である。
このコンテキストでは、マルチタスク学習は、セマンティックセグメンテーションや入ってくるビデオフレームの深さ推定など、複数のタスクを実行するために単一のディープラーニングモデルを活用することができる。
この単一処理パイプラインは、マルチタスクモジュール間で共有される共通の深い特徴を生成する。
しかし、コラボレーティブインテリジェンスシナリオでは、共通の深い特徴を生成するには2つの大きな問題がある。
まず、深い機能には、下流モジュールに露出した入力情報(入力のプライバシーを侵害する)が不注意に含まれる可能性がある。
第二に、生成されたユニバーサル機能は、あるタスクを意図したものよりも集合的な情報を露出し、あるタスクの機能を他のタスク(タスクプライバシに違反する)に利用することができる。
本稿では,特定のタスクに対する推論能力を制限する,新しいディープラーニングベースのプライバシー認識機能生成プロセスであるmetamorphosisを提案する。
そこで本研究では,すべてのタスクに明確な注意を払い,差分プライバシーを持つ非相関損失関数を用いて,各タスクのアウトプットとして異なるプライバシアウェア機能を生成するディープラーニングモデルを訓練する,チャネルスクイーズ励起型特徴形変換モジュールcross-secを提案する。
シーン理解と顔の属性に関する多様な画像からなる4つのデータセットを広範囲に実験した結果,画像とビデオ分析の効率的な方法でプライバシ要件を保証し,近年の逆学習や普遍的特徴生成手法よりもメタモルフィズムが優れていることが示された。
関連論文リスト
- A Multitask Deep Learning Model for Classification and Regression of Hyperspectral Images: Application to the large-scale dataset [44.94304541427113]
ハイパースペクトル画像上で複数の分類タスクと回帰タスクを同時に行うマルチタスク深層学習モデルを提案する。
我々は、TAIGAと呼ばれる大規模なハイパースペクトルデータセットに対するアプローチを検証した。
結果の総合的定性的および定量的分析により,提案手法が他の最先端手法よりも有意に優れていることを示す。
論文 参考訳(メタデータ) (2024-07-23T11:14:54Z) - TaskExpert: Dynamically Assembling Multi-Task Representations with
Memorial Mixture-of-Experts [11.608682595506354]
最近のモデルでは、タスク固有の機能を1つの共有タスクジェネリック機能から直接デコードすることを検討している。
入力機能が完全に共有され、各タスクデコーダは異なる入力サンプルのデコードパラメータも共有するので、静的な機能デコードプロセスにつながる。
本稿では,複数のタスク・ジェネリックな特徴空間を学習可能なマルチタスク・ミックス・オブ・エキスパート・モデルであるTaskExpertを提案する。
論文 参考訳(メタデータ) (2023-07-28T06:00:57Z) - Factorized Contrastive Learning: Going Beyond Multi-view Redundancy [116.25342513407173]
本稿では,マルチビュー冗長性を超えた新しいマルチモーダル表現学習法であるFacterCLを提案する。
大規模な実世界のデータセットでは、FacterCLは共有情報とユニークな情報の両方をキャプチャし、最先端の結果を達成する。
論文 参考訳(メタデータ) (2023-06-08T15:17:04Z) - A Dynamic Feature Interaction Framework for Multi-task Visual Perception [100.98434079696268]
複数の共通認識課題を解決するための効率的な統合フレームワークを考案する。
これらのタスクには、インスタンスセグメンテーション、セマンティックセグメンテーション、モノクル3D検出、深さ推定が含まれる。
提案するフレームワークはD2BNetと呼ばれ,マルチタスク認識のためのパラメータ効率予測に一意なアプローチを示す。
論文 参考訳(メタデータ) (2023-06-08T09:24:46Z) - Sequential Cross Attention Based Multi-task Learning [22.430705836627148]
本稿では,タスクのマルチスケール機能にアテンション機構を適用することで,情報伝達を効果的に行う新しいアーキテクチャを提案する。
提案手法は,NYUD-v2およびPASCAL-Contextデータセット上での最先端性能を実現する。
論文 参考訳(メタデータ) (2022-09-06T14:17:33Z) - Distribution Matching for Heterogeneous Multi-Task Learning: a
Large-scale Face Study [75.42182503265056]
マルチタスク学習は、共有学習アルゴリズムによって複数のタスクを共同で学習する方法論として登場した。
我々は異種mtlに対処し,検出,分類,回帰問題を同時に解決する。
大規模な顔分析のための最初のフレームワークであるFaceBehaviorNetを構築し、すべての顔行動タスクを共同で学習する。
論文 参考訳(メタデータ) (2021-05-08T22:26:52Z) - Multi-Task Learning for Dense Prediction Tasks: A Survey [87.66280582034838]
マルチタスク学習(MTL)技術は、性能、計算、メモリフットプリントに関する有望な結果を示している。
我々は、コンピュータビジョンにおけるMLLのための最先端のディープラーニングアプローチについて、よく理解された視点を提供する。
論文 参考訳(メタデータ) (2020-04-28T09:15:50Z) - Adversarial Continual Learning [99.56738010842301]
本稿では,タスク不変およびタスク特化機能に対する不整合表現を学習するハイブリッド連続学習フレームワークを提案する。
本モデルでは,タスク固有のスキルの忘れを防止するためにアーキテクチャの成長と,共有スキルを維持するための経験的リプレイアプローチを組み合わせる。
論文 参考訳(メタデータ) (2020-03-21T02:08:17Z) - MTI-Net: Multi-Scale Task Interaction Networks for Multi-Task Learning [82.62433731378455]
特定のスケールで高い親和性を持つタスクは、他のスケールでこの動作を維持することが保証されていないことを示す。
本稿では,この発見に基づく新しいアーキテクチャ MTI-Net を提案する。
論文 参考訳(メタデータ) (2020-01-19T21:02:36Z)
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。