論文の概要: Investigating Privacy Leakage in Dimensionality Reduction Methods via Reconstruction Attack
- arxiv url: http://arxiv.org/abs/2408.17151v2
- Date: Tue, 03 Dec 2024 05:27:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-04 15:39:25.037368
- Title: Investigating Privacy Leakage in Dimensionality Reduction Methods via Reconstruction Attack
- Title(参考訳): レコンストラクションアタックによる次元性低減手法におけるプライバシリークの調査
- Authors: Chayadon Lumbut, Donlapark Ponnoprat,
- Abstract要約: 我々は,低次元埋め込みから高次元データを再構成できるニューラルネットワークを開発した。
我々は,PCA,スパースランダムプロジェクション (SRP), 多次元スケーリング (MDS), Isomap, t-SNE, UMAPの6つの一般的な次元削減手法を評価する。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: This study investigates privacy leakage in dimensionality reduction methods through a novel machine learning-based reconstruction attack. Employing an informed adversary threat model, we develop a neural network capable of reconstructing high-dimensional data from low-dimensional embeddings. We evaluate six popular dimensionality reduction techniques: PCA, sparse random projection (SRP), multidimensional scaling (MDS), Isomap, t-SNE, and UMAP. Using both MNIST and NIH Chest X-ray datasets, we perform a qualitative analysis to identify key factors affecting reconstruction quality. Furthermore, we assess the effectiveness of an additive noise mechanism in mitigating these reconstruction attacks. Our experimental results on both datasets reveal that the attack is effective against deterministic methods (PCA and Isomap), but ineffective against methods that employ random initialization (SRP, MDS, t-SNE and UMAP). When adding the images with large noises before performing PCA or Isomap, the attack produced severely distorted reconstructions. In contrast, for the other four methods, the reconstructions still show some recognizable features, though they bear little resemblance to the original images.
- Abstract(参考訳): 本研究では,新しい機械学習による再構築攻撃による次元性低減手法のプライバシー漏洩について検討する。
低次元埋め込みから高次元データを再構成できるニューラルネットワークを開発した。
我々は,PCA,スパースランダムプロジェクション (SRP), 多次元スケーリング (MDS), Isomap, t-SNE, UMAPの6つの一般的な次元削減手法を評価する。
MNISTとNIH Chest X-rayの両方のデータセットを用いて,再構成品質に影響を及ぼす重要な要因を特定する定性解析を行った。
さらに,これらのリコンストラクション攻撃を緩和するための付加的なノイズ機構の有効性を評価する。
両データセットの実験結果から,攻撃は決定論的手法 (PCA, Isomap) に対して有効であるが,ランダム初期化手法 (SRP, MDS, t-SNE, UMAP) に対して有効ではないことが明らかとなった。
PCAやIsomapを実行する前に画像に大きなノイズを加えると、この攻撃はひどく歪んだ復元を生み出した。
対照的に、他の4つの手法では、オリジナルの画像にはほとんど似ていないものの、復元にはいくつかの特徴が残っている。
関連論文リスト
- Re-Visible Dual-Domain Self-Supervised Deep Unfolding Network for MRI Reconstruction [48.30341580103962]
本稿では、これらの問題に対処するために、新しい再視覚的二重ドメイン自己教師型深層展開ネットワークを提案する。
エンド・ツー・エンドの再構築を実現するために,シャンブルとポック・プロキシ・ポイント・アルゴリズム(DUN-CP-PPA)に基づく深層展開ネットワークを設計する。
高速MRIおよびIXIデータセットを用いて行った実験により,本手法は再建性能において最先端の手法よりも有意に優れていることが示された。
論文 参考訳(メタデータ) (2025-01-07T12:29:32Z) - Detecting and Mitigating Adversarial Attacks on Deep Learning-Based MRI Reconstruction Without Any Retraining [2.5943586090617377]
本稿では,MRI再建モデルに対する逆行性攻撃を再訓練せずに検出・緩和するための新しいアプローチを提案する。
我々の検出戦略は循環測定一貫性の考え方に基づいている。
提案手法は,異なるデータセット間での対向摂動の影響を著しく低減することを示す。
論文 参考訳(メタデータ) (2025-01-03T17:23:52Z) - DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。
画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。
MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
論文 参考訳(メタデータ) (2023-12-11T18:38:28Z) - Reconstruction Distortion of Learned Image Compression with
Imperceptible Perturbations [69.25683256447044]
本稿では,学習画像圧縮(lic)の再構成品質を効果的に劣化させる攻撃手法を提案する。
我々は,Frobeniusノルムに基づく損失関数を導入して,元の画像と再構成された逆例との差を最大化することによって,逆例を生成する。
様々なlicモデルを用いてKodakデータセット上で実験を行った結果,有効性が確認された。
論文 参考訳(メタデータ) (2023-06-01T20:21:05Z) - Fast refacing of MR images with a generative neural network lowers
re-identification risk and preserves volumetric consistency [5.040145546652933]
本稿では,3次元条件生成対向ネットワークに基づく3次元T1重み付きスキャンのための顔の匿名化手法を提案する。
提案手法は顔生成に9秒を要し, 顔の変形後の一貫した後処理結果の復元に適している。
論文 参考訳(メタデータ) (2023-05-26T13:34:14Z) - Uncertainty-Aware Null Space Networks for Data-Consistent Image
Reconstruction [0.0]
近年の深層学習の進歩をもとに,最先端の再構築手法が開発されている。
医用画像などの安全クリティカルな領域で使用するためには, ネットワーク再構築は, 利用者に再構成画像を提供するだけでなく, ある程度の信頼を得る必要がある。
この研究は、入力依存のスケールマップを推定することによって、データ依存の不確実性をモデル化する逆問題に対する最初のアプローチである。
論文 参考訳(メタデータ) (2023-04-14T06:58:44Z) - Subject-specific quantitative susceptibility mapping using patch based
deep image priors [13.734472448148333]
そこで本研究では,被検者固有のパッチベースの教師なし学習アルゴリズムを提案し,その感受性マップを推定する。
我々は、深層畳み込みニューラルネットワークを用いて、地図のパッチにまたがる冗長性を利用して、問題をうまく解決する。
このアルゴリズムを3次元インビジョデータセットで検証し、競合する手法よりも改良された再構成を実証した。
論文 参考訳(メタデータ) (2022-10-10T02:28:53Z) - CARLA-GeAR: a Dataset Generator for a Systematic Evaluation of
Adversarial Robustness of Vision Models [61.68061613161187]
本稿では,合成データセットの自動生成ツールであるCARLA-GeARについて述べる。
このツールは、Python APIを使用して、CARLAシミュレータ上に構築されており、自律運転のコンテキストにおいて、いくつかのビジョンタスク用のデータセットを生成することができる。
本稿では,CARLA-GeARで生成されたデータセットが,現実世界の敵防衛のベンチマークとして今後どのように利用されるかを示す。
論文 参考訳(メタデータ) (2022-06-09T09:17:38Z) - Meta Adversarial Perturbations [66.43754467275967]
メタ逆境摂動(MAP)の存在を示す。
MAPは1段階の上昇勾配更新によって更新された後、自然画像を高い確率で誤分類する。
これらの摂動は画像に依存しないだけでなく、モデルに依存しないものであり、単一の摂動は見えないデータポイントと異なるニューラルネットワークアーキテクチャにまたがってうまく一般化される。
論文 参考訳(メタデータ) (2021-11-19T16:01:45Z) - Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。
本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
論文 参考訳(メタデータ) (2020-10-05T14:18:52Z)
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。