論文の概要: Deep Privacy Funnel Model: From a Discriminative to a Generative Approach with an Application to Face Recognition
- arxiv url: http://arxiv.org/abs/2404.02696v1
- Date: Wed, 3 Apr 2024 12:50:45 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-04 17:31:03.054934
- Title: Deep Privacy Funnel Model: From a Discriminative to a Generative Approach with an Application to Face Recognition
- Title（参考訳）: ディーププライバシ・ファンネルモデル:識別から生成的アプローチへ : 顔認識への応用
- Authors: Behrooz Razeghi, Parsa Rahimi, Sébastien Marcel,
- Abstract要約: 顔認識の領域に情報理論プライバシ・ファンネル(PF)モデルを適用する。
エンド・ツー・エンドのトレーニング・フレームワーク内にプライバシ保護表現学習のための新しい手法を開発する。
- 参考スコア（独自算出の注目度）: 20.562833106966405
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this study, we apply the information-theoretic Privacy Funnel (PF) model to the domain of face recognition, developing a novel method for privacy-preserving representation learning within an end-to-end training framework. Our approach addresses the trade-off between obfuscation and utility in data protection, quantified through logarithmic loss, also known as self-information loss. This research provides a foundational exploration into the integration of information-theoretic privacy principles with representation learning, focusing specifically on the face recognition systems. We particularly highlight the adaptability of our framework with recent advancements in face recognition networks, such as AdaFace and ArcFace. In addition, we introduce the Generative Privacy Funnel ($\mathsf{GenPF}$) model, a paradigm that extends beyond the traditional scope of the PF model, referred to as the Discriminative Privacy Funnel ($\mathsf{DisPF}$). This $\mathsf{GenPF}$ model brings new perspectives on data generation methods with estimation-theoretic and information-theoretic privacy guarantees. Complementing these developments, we also present the deep variational PF (DVPF) model. This model proposes a tractable variational bound for measuring information leakage, enhancing the understanding of privacy preservation challenges in deep representation learning. The DVPF model, associated with both $\mathsf{DisPF}$ and $\mathsf{GenPF}$ models, sheds light on connections with various generative models such as Variational Autoencoders (VAEs), Generative Adversarial Networks (GANs), and Diffusion models. Complementing our theoretical contributions, we release a reproducible PyTorch package, facilitating further exploration and application of these privacy-preserving methodologies in face recognition systems.
- Abstract（参考訳）: 本研究では,情報理論のプライバシ・ファンネル(PF)モデルを顔認識領域に適用し,エンドツーエンドのトレーニングフレームワーク内でのプライバシ保存表現学習の新しい手法を開発する。
データ保護における難読化とユーティリティのトレードオフは,対数的損失(自己情報的損失)によって定量化されている。
本研究は,顔認識システムを中心に,情報理論のプライバシ原則と表現学習の統合に関する基礎研究を提供する。
特に、AdaFaceやArcFaceといった顔認識ネットワークの最近の進歩により、我々のフレームワークの適応性を強調します。
さらに、PFモデルの従来のスコープを超えて拡張されるジェネレーティブプライバシファネル(\mathsf{GenPF}$)モデル(「差別プライバシファネル(\mathsf{DisPF}$)」)を導入します。
この$\mathsf{GenPF}$モデルは、推定理論と情報理論のプライバシー保証を備えたデータ生成メソッドの新しい視点をもたらす。
これらの発展を補完し、深部変分PF(DVPF)モデルも提示する。
本モデルでは,情報漏洩を計測し,深層表現学習におけるプライバシー保護課題の理解を深めるための,トラクタブルな変動境界を提案する。
DVPFモデルは、$\mathsf{DisPF}$と$\mathsf{GenPF}$モデルの両方に関連付けられ、変分オートエンコーダ(VAE)、GAN(Generative Adversarial Networks)、拡散モデルといった様々な生成モデルとの接続に光を当てる。
理論的貢献を補完し、再現可能なPyTorchパッケージをリリースし、顔認識システムにおけるこれらのプライバシ保護手法のさらなる探索と適用を容易にする。
関連論文リスト
- Federated Face Forgery Detection Learning with Personalized Representation [63.90408023506508]
ディープジェネレータ技術は、区別がつかない高品質のフェイクビデオを制作し、深刻な社会的脅威をもたらす可能性がある。
従来の偽造検出手法は、データを直接集中的に訓練する。
本稿では,個人化表現を用いた新しいフェデレーション顔偽造検出学習を提案する。
論文 参考訳（メタデータ） (2024-06-17T02:20:30Z) - Deep Variational Privacy Funnel: General Modeling with Applications in
Face Recognition [3.351714665243138]
エンド・ツー・エンド・トレーニング・フレームワークを用いたプライバシー保護表現学習手法を開発した。
我々はこのモデルを最先端の顔認識システムに適用する。
論文 参考訳（メタデータ） (2024-01-26T11:32:53Z) - Shielding the Unseen: Privacy Protection through Poisoning NeRF with
Spatial Deformation [59.302770084115814]
本稿では,Neural Radiance Fields(NeRF)モデルの生成機能に対して,ユーザのプライバシを保護する革新的な手法を提案する。
我々の新しい中毒攻撃法は、人間の目では認識できないが、NeRFが正確に3Dシーンを再構築する能力を損なうのに十分強力である観察ビューの変化を誘発する。
我々は、高品質の画像を含む29の現実世界シーンからなる2つの共通のNeRFベンチマークデータセットに対して、我々のアプローチを広範囲に検証した。
論文 参考訳（メタデータ） (2023-10-04T19:35:56Z) - Share Your Representation Only: Guaranteed Improvement of the
Privacy-Utility Tradeoff in Federated Learning [47.042811490685324]
この情報漏洩のリスクを減らし、最先端の差分プライベートアルゴリズムを使っても、無料ではない。
本稿では,異なるプライバシ保証を持つフェデレーションモデルにおいて,様々な当事者が協調的に洗練する表現学習の目的について考察する。
同じ小さなプライバシ予算の下で、以前の作業よりも大幅にパフォーマンスが向上するのを観察する。
論文 参考訳（メタデータ） (2023-09-11T14:46:55Z) - Towards General Visual-Linguistic Face Forgery Detection [95.73987327101143]
ディープフェイクは現実的な顔操作であり、セキュリティ、プライバシー、信頼に深刻な脅威をもたらす可能性がある。
既存の方法は、このタスクを、デジタルラベルまたはマスク信号を使用して検出モデルをトレーニングするバイナリ分類として扱う。
本稿では, 微粒な文レベルのプロンプトをアノテーションとして用いた, VLFFD (Visual-Linguistic Face Forgery Detection) という新しいパラダイムを提案する。
論文 参考訳（メタデータ） (2023-07-31T10:22:33Z) - Privacy-Preserving Wavelet Wavelet Neural Network with Fully Homomorphic
Encryption [5.010425616264462]
プライバシ保護機械学習(PPML)は、プライバシ保護と、マシンラーニングモデルの構築に使用されるデータに対するセキュリティの提供を目的としている。
プライバシを保護すると同時に,モデルの効率を損なわないよう,完全同型暗号化ウェーブレットニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2022-05-26T10:40:31Z) - OPOM: Customized Invisible Cloak towards Face Privacy Protection [58.07786010689529]
我々は、新しいタイプのカスタマイズクロークに基づく技術の観点から、顔のプライバシ保護について検討する。
本研究では,個人固有の(クラスワイドな)ユニバーサルマスクを生成するために,1人1マスク(OPOM)という新しい手法を提案する。
提案手法の有効性を,共通データセットと有名データセットの両方で評価した。
論文 参考訳（メタデータ） (2022-05-24T11:29:37Z) - A Generative Federated Learning Framework for Differential Privacy [7.50722199393581]
本稿では,現在の連合学習パラダイムに代わる3DGLフレームワークを提案する。
その目標は、高レベルの$varepsilon$-differential privacyで生成モデルを共有することだ。
さらに,DDP-$beta$VAEを提案する。これは個人に対して高い利便性と安全性を持つ合成データを生成可能な深層生成モデルである。
論文 参考訳（メタデータ） (2021-09-24T16:36:19Z) - Multi-Branch Deep Radial Basis Function Networks for Facial Emotion
Recognition [80.35852245488043]
放射状基底関数(RBF)ユニットによって形成された複数の分岐で拡張されたCNNベースのアーキテクチャを提案する。
RBFユニットは、中間表現を用いて類似のインスタンスで共有される局所パターンをキャプチャする。
提案手法は,提案手法の競争力を高めるためのローカル情報の導入であることを示す。
論文 参考訳（メタデータ） (2021-09-07T21:05:56Z) - GRAFFL: Gradient-free Federated Learning of a Bayesian Generative Model [8.87104231451079]
本稿では、GRAFFLと呼ばれる、最初の勾配のない連邦学習フレームワークを提案する。
参加する各機関から得られた暗黙の情報を用いて、パラメータの後方分布を学習する。
本稿では,GRAFFLに基づくベイズ混合モデルを提案する。
論文 参考訳（メタデータ） (2020-08-29T07:19:44Z) - DotFAN: A Domain-transferred Face Augmentation Network for Pose and
Illumination Invariant Face Recognition [94.96686189033869]
本稿では,3次元モデルを用いたドメイン転送型顔強調ネットワーク(DotFAN)を提案する。
DotFANは、他のドメインから収集された既存のリッチフェイスデータセットから抽出された知識に基づいて、入力顔の一連の変種を生成することができる。
実験によると、DotFANは、クラス内の多様性を改善するために、小さな顔データセットを増やすのに有益である。
論文 参考訳（メタデータ） (2020-02-23T08:16:34Z)
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。