論文の概要: Explaining models relating objects and privacy

• arxiv url: http://arxiv.org/abs/2405.01646v1
• Date: Thu, 2 May 2024 18:06:48 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-06 14:54:33.218903
• Title: Explaining models relating objects and privacy
• Title（参考訳）: オブジェクトとプライバシに関連するモデルの説明
• Authors: Alessio Xompero, Myriam Bontonou, Jean-Michel Arbona, Emmanouil Benetos, Andrea Cavallaro,
• Abstract要約: 画像から抽出したオブジェクトを用いて、なぜ画像がプライベートであると予測されるのかを判断するプライバシーモデルを評価する。 プライバシ決定の主要な要因は、個人カテゴリの存在と、その濃度であることを示す。
• 参考スコア（独自算出の注目度）: 33.78605193864911
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurately predicting whether an image is private before sharing it online is difficult due to the vast variety of content and the subjective nature of privacy itself. In this paper, we evaluate privacy models that use objects extracted from an image to determine why the image is predicted as private. To explain the decision of these models, we use feature-attribution to identify and quantify which objects (and which of their features) are more relevant to privacy classification with respect to a reference input (i.e., no objects localised in an image) predicted as public. We show that the presence of the person category and its cardinality is the main factor for the privacy decision. Therefore, these models mostly fail to identify private images depicting documents with sensitive data, vehicle ownership, and internet activity, or public images with people (e.g., an outdoor concert or people walking in a public space next to a famous landmark). As baselines for future benchmarks, we also devise two strategies that are based on the person presence and cardinality and achieve comparable classification performance of the privacy models.
• Abstract（参考訳）: さまざまなコンテンツやプライバシーそのものの主観的な性質のために、画像がオンラインで共有する前にプライベートであるかどうかを正確に予測することは難しい。 本稿では,画像から抽出したオブジェクトを用いたプライバシモデルの評価を行い,画像がなぜプライベートであるかを判断する。 これらのモデルの決定を説明するために、我々は、どのオブジェクト(およびそれらの特徴のどれ)が、公開として予測される参照入力(つまり、画像に局所化されたオブジェクトは存在しない)に関して、プライバシ分類に関連があるかを識別し、定量化するために、特徴属性を使用する。 プライバシ決定の主要な要因は、個人カテゴリの存在と、その濃度であることを示す。 そのため、これらのモデルは、機密データ、車両の所有、インターネット活動、人々との公開画像(例えば、野外コンサートや有名なランドマークの隣の公共空間を歩いている人々)を含む文書を描写したプライベート画像の特定にほとんど失敗している。 将来のベンチマークのベースラインとして、個人の存在と信条に基づく2つの戦略を考案し、プライバシモデルの同等の分類性能を達成する。

関連論文リスト

• SHAN: Object-Level Privacy Detection via Inference on Scene Heterogeneous Graph [5.050631286347773]
  プライバシオブジェクト検出は、画像内のプライベートオブジェクトを正確に見つけることを目的としている。 既存の手法は、精度、一般化、解釈可能性の重大な欠陥に悩まされている。 本稿では、画像からシーン異質グラフを構成するモデルであるSHAN(Scene Heterogeneous Graph Attention Network)を提案する。
  論文  参考訳（メタデータ） (2024-03-14T08:32:14Z)
• Only My Model On My Data: A Privacy Preserving Approach Protecting one Model and Deceiving Unauthorized Black-Box Models [11.59117790048892]
  本研究では、認証されたモデルによる正確な推論を維持する人間認識可能な画像を生成することにより、未調査の実用的プライバシー保護ユースケースに取り組む。 その結果、生成した画像は、保護されたモデルの精度を維持し、認証されていないブラックボックスモデルの平均精度を、ImageNet、Celeba-HQ、AffectNetのデータセットでそれぞれ11.97%、6.63%、55.51%に下げることができた。
  論文  参考訳（メタデータ） (2024-02-14T17:11:52Z)
• Human-interpretable and deep features for image privacy classification [32.253391125106674]
  本稿では,画像のプライバシ分類に適した機能について論じるとともに,プライバシに特有かつ人間に解釈可能な8つの特徴を提案する。 これらの機能は、ディープラーニングモデルの性能を高め、それ自身で、より高次元の深い機能と比較して、プライバシ分類のためのイメージ表現を改善する。
  論文  参考訳（メタデータ） (2023-10-30T14:39:43Z)
• Fairly Private: Investigating The Fairness of Visual Privacy Preservation Algorithms [1.5293427903448025]
  本稿では,一般的に使用されている視覚的プライバシ保護アルゴリズムの妥当性について検討する。 PubFigデータセットの実験は、提供されたプライバシ保護がグループ間で不平等であることを明確に示している。
  論文  参考訳（メタデータ） (2023-01-12T13:40:38Z)
• Position: Considerations for Differentially Private Learning with Large-Scale Public Pretraining [75.25943383604266]
  大規模なWebスクレイプデータセットの使用は、差分プライバシ保存と見なすべきかどうかを疑問視する。 Webデータ上で事前訓練されたこれらのモデルを“プライベート”として公開することで、市民のプライバシーに対する信頼を意味のあるプライバシの定義として損なう可能性があることを警告します。 公的な事前学習がより普及し、強力になるにつれて、私的な学習分野への道のりを議論することで、我々は結論づける。
  論文  参考訳（メタデータ） (2022-12-13T10:41:12Z)
• ConfounderGAN: Protecting Image Data Privacy with Causal Confounder [85.6757153033139]
  本稿では,GAN(Generative Adversarial Network)のConfounderGANを提案する。 実験は、3つの自然なオブジェクトデータセットと3つの医療データセットからなる6つの画像分類データセットで実施される。
  論文  参考訳（メタデータ） (2022-12-04T08:49:14Z)
• Content-based Graph Privacy Advisor [38.733077459065704]
  本稿では,画像のプライバシを予測するための手がかりとして,シーン情報とオブジェクトの濃度を用いた画像プライバシー分類器を提案する。 我々のグラフプライバシ・アドバイザ(GPA)モデルは、最先端のグラフモデルを単純化し、その性能を改善する。
  論文  参考訳（メタデータ） (2022-10-20T11:12:42Z)
• Algorithms with More Granular Differential Privacy Guarantees [65.3684804101664]
  我々は、属性ごとのプライバシー保証を定量化できる部分微分プライバシー(DP)について検討する。 本研究では,複数の基本データ分析および学習タスクについて検討し,属性ごとのプライバシパラメータが個人全体のプライバシーパラメータよりも小さい設計アルゴリズムについて検討する。
  論文  参考訳（メタデータ） (2022-09-08T22:43:50Z)
• Privacy-Preserving Image Features via Adversarial Affine Subspace Embeddings [72.68801373979943]
  多くのコンピュータビジョンシステムでは、ユーザーは画像処理とストレージのためにイメージ機能をクラウドにアップロードする必要がある。 本稿では,新しいプライバシー保護機能表現を提案する。 従来の特徴と比較すると,敵が個人情報を回収するのは極めて困難である。
  論文  参考訳（メタデータ） (2020-06-11T17:29:48Z)
• 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。