論文の概要: Disentangled Information Bottleneck guided Privacy-Protective JSCC for Image Transmission
- arxiv url: http://arxiv.org/abs/2309.10263v1
- Date: Tue, 19 Sep 2023 02:37:53 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-19 04:20:31.640486
- Title: Disentangled Information Bottleneck guided Privacy-Protective JSCC for Image Transmission
- Title（参考訳）: 画像伝送のためのプライバシ保護型JSCCを案内するアンタングル情報ボトルネック
- Authors: Lunan Sun, Yang Yang, Mingzhe Chen, Caili Guo,
- Abstract要約: ジョイントソースとチャネルコーディング(JSCC)は、その堅牢性と高い効率性から注目を集めている。
本稿では,画像伝送のためのプライバシ保護型 JSCC (DIB-PPJSCC) を提案する。
我々は、送信前のプライベートサブコードワードを暗号化する秘密情報暗号化装置と、対応する復号器を用いて、正統な受信者のプライベート情報を復元する。
- 参考スコア（独自算出の注目度）: 27.929075969353764
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Joint source and channel coding (JSCC) has attracted increasing attention due to its robustness and high efficiency. However, JSCC is vulnerable to privacy leakage due to the high relevance between the source image and channel input. In this paper, we propose a disentangled information bottleneck guided privacy-protective JSCC (DIB-PPJSCC) for image transmission, which aims at protecting private information as well as achieving superior communication performance at the legitimate receiver. In particular, we propose a DIB objective to disentangle private and public information. The goal is to compress the private information in the public subcodewords, preserve the private information in the private subcodewords and improve the reconstruction quality simultaneously. In order to optimize JSCC neural networks using the DIB objective, we derive a differentiable estimation of the DIB objective based on the variational approximation and the density-ratio trick. Additionally, we design a password-based privacy-protective (PP) algorithm which can be jointly optimized with JSCC neural networks to encrypt the private subcodewords. Specifically, we employ a private information encryptor to encrypt the private subcodewords before transmission, and a corresponding decryptor to recover the private information at the legitimate receiver. A loss function for jointly training the encryptor, decryptor and JSCC decoder is derived based on the maximum entropy principle, which aims at maximizing the eavesdropping uncertainty as well as improving the reconstruction quality. Experimental results show that DIB-PPJSCC can reduce the eavesdropping accuracy on private information up to $15\%$ and reduce $10\%$ inference time compared to existing privacy-protective JSCC and traditional separate methods.
- Abstract（参考訳）: ジョイントソースとチャネルコーディング(JSCC)は、その堅牢性と高い効率性から注目を集めている。
しかし、JSCCは、ソースイメージとチャネル入力の関連性が高いため、プライバシリークに弱い。
本稿では,プライバシ保護型 JSCC (DIB-PPJSCC) による画像伝送のためのアンタングル情報ボトルネックを導出する手法を提案する。
特に,私的・公的な情報を解き放つためのDIB目的を提案する。
目的は、公開サブコードワード内のプライベート情報を圧縮し、プライベートサブコードワード内のプライベート情報を保存し、同時に再構築品質を向上させることである。
DIB目標を用いてJSCCニューラルネットワークを最適化するために、変動近似と密度比のトリックに基づいて、DIB目標の微分可能な推定を導出する。
さらに,パスワードに基づくプライバシ保護(PP)アルゴリズムを設計し,JSCCニューラルネットワークと共同で最適化し,プライベートサブコードワードを暗号化する。
具体的には、送信前のプライベートサブコードワードを暗号化する秘密情報暗号化装置と、対応する復号器を用いて、正統な受信者のプライベート情報を復元する。
盗聴の不確実性を最大化し、復元品質を向上させることを目的とした最大エントロピー原理に基づいて、暗号化器、復号器、JSCC復号器を共同で訓練する損失関数を導出する。
実験結果から,DIB-PPJSCCは,従来のプライバシ保護JSCCや従来の分離手法と比較して,プライベート情報の盗聴精度を最大15\%まで低減し,推測時間10\%を削減できることがわかった。
関連論文リスト
- Collaborative Inference over Wireless Channels with Feature Differential Privacy [57.68286389879283]
複数の無線エッジデバイス間の協調推論は、人工知能(AI)アプリケーションを大幅に強化する可能性がある。
抽出された特徴を抽出することは、プロセス中に機密性の高い個人情報が暴露されるため、重大なプライバシーリスクをもたらす。
本稿では,ネットワーク内の各エッジデバイスが抽出された機能のプライバシを保護し,それらを中央サーバに送信して推論を行う,新たなプライバシ保存協調推論機構を提案する。
論文 参考訳（メタデータ） (2024-10-25T18:11:02Z) - Enhancing Feature-Specific Data Protection via Bayesian Coordinate Differential Privacy [55.357715095623554]
ローカル微分プライバシー(LDP)は、ユーザーが外部の関係者を信頼することなく、強力なプライバシー保証を提供する。
本稿では,ベイジアン・フレームワークであるベイジアン・コーディネート・ディファレンシャル・プライバシ(BCDP)を提案する。
論文 参考訳（メタデータ） (2024-10-24T03:39:55Z) - Inferentially-Private Private Information [34.529977090471924]
情報開示は、公開情報がプライベート情報と相関している場合、プライバシーを侵害する可能性がある。
本稿では,ベイズ敵対者が得る推論パワーを,解放された信号を観測することで,プライバシー漏洩を計測する推論プライバシの概念について考察する。
我々のゴールは、解放された信号の情報を最大限に活用する、秘密の私的情報構造を考案することである。
論文 参考訳（メタデータ） (2024-10-22T15:21:00Z) - Privacy-Aware Joint Source-Channel Coding for image transmission based on Disentangled Information Bottleneck [27.929075969353764]
現在のプライバシを意識したジョイントソースチャネル符号化(JSCC)は、J SCCエンコーダとデコーダを敵対的に訓練することで、プライベート情報伝送を回避することを目的としている。
不整合情報ボトルネック(DIB-PAJSCC)に基づく新しいプライバシ対応J SCCを提案する。
また,DIB-PAJSCCは,従来の手法と比較して,プライベート情報の盗聴精度を最大20%低減できることを示した。
論文 参考訳（メタデータ） (2023-09-15T06:34:22Z) - Secure Deep-JSCC Against Multiple Eavesdroppers [13.422085141752468]
本稿では,複数の盗聴者に対してセキュアなコミュニケーションを実現するためのエンド・ツー・エンド(E2E)学習手法を提案する。
我々は,データ駆動型セキュア通信方式を実現するために,ディープニューラルネットワーク(DNN)を実装した。
実験の結果,セキュアなニューラルエンコーディングを用いることで,対向精度を28%低下させることができることがわかった。
論文 参考訳（メタデータ） (2023-08-05T14:40:35Z) - Breaking the Communication-Privacy-Accuracy Tradeoff with
$f$-Differential Privacy [51.11280118806893]
サーバが複数のユーザの協調的なデータ分析を,プライバシの懸念と限られた通信能力で調整する,フェデレートされたデータ分析問題を考える。
有限出力空間を有する離散値機構の局所的差分プライバシー保証を$f$-differential privacy (DP) レンズを用いて検討する。
より具体的には、様々な離散的評価機構の厳密な$f$-DP保証を導出することにより、既存の文献を前進させる。
論文 参考訳（メタデータ） (2023-02-19T16:58:53Z) - Large-Scale Privacy-Preserving Network Embedding against Private Link
Inference Attacks [12.434976161956401]
プライバシ保護ネットワークがプライベートリンク推論攻撃に対して組み込まれるという,新たな問題に対処する。
本稿では,リンクの追加や削除によるオリジナルのネットワークの摂動について提案する。また,この摂動ネットワーク上で発生した埋め込みは,プライベートリンクに関する情報をほとんど漏らすことなく,様々な下流タスクに高いユーティリティを保持することができることを期待する。
論文 参考訳（メタデータ） (2022-05-28T13:59:39Z) - Federated Deep Learning with Bayesian Privacy [28.99404058773532]
フェデレートラーニング(FL)は、ユーザ間でプライベートデータを共有せずにモデルを協調的に学習することで、データのプライバシを保護することを目的としている。
ホモモルフィック暗号化(HE)ベースの手法は、セキュアなプライバシ保護を提供するが、非常に高い計算と通信のオーバーヘッドに悩まされる。
差分プライバシ(DP)を用いたディープラーニングは,複雑な管理コストで実践的な学習アルゴリズムとして実装された。
論文 参考訳（メタデータ） (2021-09-27T12:48:40Z) - Understanding Clipping for Federated Learning: Convergence and
Client-Level Differential Privacy [67.4471689755097]
本稿では, 切断したFedAvgが, 実質的なデータ均一性でも驚くほど良好に動作できることを実証的に示す。
本稿では,差分プライベート(DP)FedAvgアルゴリズムの収束解析を行い,クリッピングバイアスとクライアント更新の分布との関係を明らかにする。
論文 参考訳（メタデータ） (2021-06-25T14:47:19Z) - Private Reinforcement Learning with PAC and Regret Guarantees [69.4202374491817]
エピソード強化学習(RL)のためのプライバシー保護探索ポリシーを設計する。
まず、共同微分プライバシー(JDP)の概念を用いた有意義なプライバシー定式化を提供する。
そこで我々は,強いPACと後悔境界を同時に達成し,JDP保証を享受する,プライベートな楽観主義に基づく学習アルゴリズムを開発した。
論文 参考訳（メタデータ） (2020-09-18T20:18:35Z) - InfoScrub: Towards Attribute Privacy by Targeted Obfuscation [77.49428268918703]
視覚データに流出した個人情報を個人が制限できる技術について検討する。
我々はこの問題を新しい画像難読化フレームワークで解決する。
提案手法では,元の入力画像に忠実な難読化画像を生成するとともに,非難読化画像に対して6.2$times$(または0.85bits)の不確実性を増大させる。
論文 参考訳（メタデータ） (2020-05-20T19:48:04Z)
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。