論文の概要: DPImageBench: A Unified Benchmark for Differentially Private Image Synthesis

• arxiv url: http://arxiv.org/abs/2503.14681v1
• Date: Tue, 18 Mar 2025 19:37:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-20 15:24:24.392026
• Title: DPImageBench: A Unified Benchmark for Differentially Private Image Synthesis
• Title（参考訳）: DPImageBench: 個人差分画像合成のための統一ベンチマーク
• Authors: Chen Gong, Kecen Li, Zinan Lin, Tianhao Wang,
• Abstract要約: 差分プライベート(DP)画像合成は、データセット内の個々の画像のプライバシーを保護しながら、機密画像の特性を保持する人工画像を生成することを目的としている。 近年の進歩にもかかわらず、不整合かつ時には欠陥のある評価プロトコルが研究全体で適用されている。 本稿では,DP画像合成のためのDPImageBenchについて述べる。
• 参考スコア（独自算出の注目度）: 13.888119355726909
• License:
• Abstract: Differentially private (DP) image synthesis aims to generate artificial images that retain the properties of sensitive images while protecting the privacy of individual images within the dataset. Despite recent advancements, we find that inconsistent--and sometimes flawed--evaluation protocols have been applied across studies. This not only impedes the understanding of current methods but also hinders future advancements. To address the issue, this paper introduces DPImageBench for DP image synthesis, with thoughtful design across several dimensions: (1) Methods. We study eleven prominent methods and systematically characterize each based on model architecture, pretraining strategy, and privacy mechanism. (2) Evaluation. We include nine datasets and seven fidelity and utility metrics to thoroughly assess them. Notably, we find that a common practice of selecting downstream classifiers based on the highest accuracy on the sensitive test set not only violates DP but also overestimates the utility scores. DPImageBench corrects for these mistakes. (3) Platform. Despite the methods and evaluation protocols, DPImageBench provides a standardized interface that accommodates current and future implementations within a unified framework. With DPImageBench, we have several noteworthy findings. For example, contrary to the common wisdom that pretraining on public image datasets is usually beneficial, we find that the distributional similarity between pretraining and sensitive images significantly impacts the performance of the synthetic images and does not always yield improvements. In addition, adding noise to low-dimensional features, such as the high-level characteristics of sensitive images, is less affected by the privacy budget compared to adding noise to high-dimensional features, like weight gradients. The former methods perform better than the latter under a low privacy budget.
• Abstract（参考訳）: 差分プライベート(DP)画像合成は、データセット内の個々の画像のプライバシーを保護しながら、機密画像の特性を保持する人工画像を生成することを目的としている。 近年の進歩にもかかわらず、不整合かつ時には欠陥のある評価プロトコルが研究全体で適用されていることが判明した。 これは現在の手法の理解を妨げるだけでなく、将来の進歩を妨げる。 本稿では,DP画像合成のためのDPImageBenchについて述べる。 本研究は,モデルアーキテクチャ,事前学習戦略,プライバシメカニズムに基づいて,11種類の重要な手法を調査し,それぞれを体系的に特徴付ける。 (2)評価。 9つのデータセットと、それらを徹底的に評価するための7つの忠実度とユーティリティメトリクスが含まれています。 特に、機密性テストセットの最高精度に基づいて下流分類器を選択するという一般的な方法は、DPに反するだけでなく、実用性スコアも過大評価している。 DPImageBenchはこれらの間違いを訂正します。 (3)ホーム。 メソッドと評価プロトコルにもかかわらず、DPImageBenchは統一されたフレームワーク内での現在の実装と将来の実装に対応する標準化されたインターフェースを提供する。 DPImageBenchでは注目すべき発見がいくつかある。 例えば、公開画像データセットの事前学習が一般的に有用であるという一般的な知恵とは対照的に、事前学習と機密画像の分布的類似性は合成画像の性能に大きく影響し、常に改善をもたらすとは限らない。 さらに、感度画像の高レベル特性などの低次元特徴にノイズを加えることは、重み勾配のような高次元特徴にノイズを加えるよりもプライバシー予算の影響を受けない。 従来の手法は、プライバシー予算の低い場合、後者よりも優れている。

関連論文リスト

• Noise-Tolerant Hybrid Prototypical Learning with Noisy Web Data [72.32706907910477]
  我々は,大量の関連性はあるがノイズの多いラベル付けされたWeb画像から,バイアスのない分類器を学習する際の課題に焦点をあてる。 クリーンで多くのノイズの多いシナリオでは、無関係なノイズのある画像が存在するため、クラスプロトタイプは深刻なバイアスを受けることができる。 提案手法では,ノイズ画像の明瞭な分割による多様性を考慮し,最適化の相違を克服する。
  論文  参考訳（メタデータ） (2025-01-05T08:21:43Z)
• Differentially Private Random Feature Model [52.468511541184895]
  プライバシを保存するカーネルマシンに対して,差分的にプライベートな特徴モデルを作成する。 本手法は,プライバシを保護し,一般化誤差を導出する。
  論文  参考訳（メタデータ） (2024-12-06T05:31:08Z)
• Beyond MOS: Subjective Image Quality Score Preprocessing Method Based on Perceptual Similarity [2.290956583394892]
  ITU-R BT.500、ITU-T P.910、ITU-T P.913は、当初の世論点をクリアするために標準化されている。 PSPは画像間の知覚的類似性を利用して、より注釈の少ないシナリオにおける主観的バイアスを軽減する。
  論文  参考訳（メタデータ） (2024-04-30T16:01:14Z)
• Improving Adversarial Robustness of Masked Autoencoders via Test-time Frequency-domain Prompting [133.55037976429088]
  BERTプリトレーニング(BEiT, MAE)を備えた視覚変換器の対向ロバスト性について検討する。 意外な観察は、MAEが他のBERT事前訓練法よりも敵の頑健さが著しく悪いことである。 我々は,MAEの対角的堅牢性を高めるための,シンプルで効果的な方法を提案する。
  論文  参考訳（メタデータ） (2023-08-20T16:27:17Z)
• 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-Aware Differential Privacy with Conditional Invertible Neural Networks [0.7102341019971402]
  Invertible Neural Networks (INNs) は、正確な精度を定量化しながら、優れた生成性能を示した。 INNの潜在空間に雑音を加えることで、差分プライベートな画像修正が可能になるという仮説を立てる。 利用可能なベンチマークデータセットと専用の医療データセットの実験を行います。
  論文  参考訳（メタデータ） (2022-07-29T11:52:16Z)
• Mix-up Self-Supervised Learning for Contrast-agnostic Applications [33.807005669824136]
  コントラストに依存しないアプリケーションのための,最初の混合型自己教師型学習フレームワークを提案する。 クロスドメイン・ミックスアップに基づく画像間の低分散に対処し、画像再構成と透明性予測に基づくプレテキストタスクを構築する。
  論文  参考訳（メタデータ） (2022-04-02T16:58:36Z)
• DP-Image: Differential Privacy for Image Data in Feature Space [23.593790091283225]
  本稿では,画像中のユーザの個人情報を保護できるDPイメージと呼ばれる,画像認識型差分プライバシーの概念を導入する。 提案手法は, 画像に対して優れたDP保護を提供し, 顔への歪みを制御可能であることを示す。
  論文  参考訳（メタデータ） (2021-03-12T04:02:23Z)
• The Power of Triply Complementary Priors for Image Compressive Sensing [89.14144796591685]
  本稿では,一対の相補的な旅先を含むLRD画像モデルを提案する。 次に、画像CSのためのRDモデルに基づく新しいハイブリッド・プラグイン・アンド・プレイ・フレームワークを提案する。 そこで,提案したH-based image CS問題の解法として,単純で効果的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-05-16T08:17:44Z)
• Image Fine-grained Inpainting [89.17316318927621]
  拡張畳み込みの密結合を利用してより大きく効果的な受容場を得る一段階モデルを提案する。 この効率的なジェネレータをよく訓練するために、頻繁に使用されるVGG特徴整合損失を除いて、新しい自己誘導回帰損失を設計する。 また、局所的・グローバルな分枝を持つ識別器を用いて、局所的・グローバルな内容の整合性を確保する。
  論文  参考訳（メタデータ） (2020-02-07T03:45:25Z)

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。