論文の概要: Asynchronous Event Error-Minimizing Noise for Safeguarding Event Dataset

• arxiv url: http://arxiv.org/abs/2507.05728v1
• Date: Tue, 08 Jul 2025 07:21:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-09 16:34:37.656804
• Title: Asynchronous Event Error-Minimizing Noise for Safeguarding Event Dataset
• Title（参考訳）: イベントデータセットを保護する非同期イベントエラー最小化ノイズ
• Authors: Ruofei Wang, Peiqi Duan, Boxin Shi, Renjie Wan,
• Abstract要約: 画像データセットの不正な利用を防止するために、非学習可能な例を提案する。 本稿では,イベントデータセットからの不正なトレーニングを防止するための,最初の学習不可能なイベントストリーム生成手法を提案する。
• 参考スコア（独自算出の注目度）: 57.17622057280324
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: With more event datasets being released online, safeguarding the event dataset against unauthorized usage has become a serious concern for data owners. Unlearnable Examples are proposed to prevent the unauthorized exploitation of image datasets. However, it's unclear how to create unlearnable asynchronous event streams to prevent event misuse. In this work, we propose the first unlearnable event stream generation method to prevent unauthorized training from event datasets. A new form of asynchronous event error-minimizing noise is proposed to perturb event streams, tricking the unauthorized model into learning embedded noise instead of realistic features. To be compatible with the sparse event, a projection strategy is presented to sparsify the noise to render our unlearnable event streams (UEvs). Extensive experiments demonstrate that our method effectively protects event data from unauthorized exploitation, while preserving their utility for legitimate use. We hope our UEvs contribute to the advancement of secure and trustworthy event dataset sharing. Code is available at: https://github.com/rfww/uevs.
• Abstract（参考訳）: より多くのイベントデータセットがオンラインでリリースされ、不正使用に対するイベントデータセットの保護が、データ所有者にとって深刻な懸念となっている。 画像データセットの不正な利用を防止するために、非学習可能な例を提案する。 しかし、イベントの誤用を防ぐために、非同期の非同期イベントストリームをどうやって作成すればよいのかは不明だ。 本研究では,イベントデータセットからの不正なトレーニングを防止するための,最初の学習不可能なイベントストリーム生成手法を提案する。 非同期イベントのエラー最小化ノイズの新たな形式がイベントストリームの摂動に提案されている。 スパースイベントと互換性を持つために、プロジェクション戦略が提示され、ノイズを分散させ、未学習のイベントストリーム(UEvs)をレンダリングします。 本手法は, イベントデータを不正な利用から効果的に保護し, 有効性を保ちつつも有効であることを示す。 UEvsがセキュアで信頼性の高いイベントデータセット共有の進歩に貢献してくれることを願っています。 コードは、https://github.com/rfww/uevs.comで入手できる。

関連論文リスト

• Towards Robust Event-based Networks for Nighttime via Unpaired Day-to-Night Event Translation [42.961332723891324]
  ダイナミックレンジの高いイベントカメラは、低照度条件でもシーンキャプチャを保証します。 夜の出来事は、昼間に捕獲されたものとは異なるパターンを示す。 この違いは、夜間イベントを日々のイベントのみにトレーニングされたモデルに適用する際のパフォーマンス低下を引き起こす。
  論文  参考訳（メタデータ） (2024-07-15T13:18:37Z)
• Improving Event Definition Following For Zero-Shot Event Detection [66.27883872707523]
  ゼロショットイベント検出に対する既存のアプローチは通常、既知のイベントタイプをアノテートしたデータセット上でモデルをトレーニングする。 イベント定義に従うためのトレーニングモデルによるゼロショットイベント検出の改善を目指しています。
  論文  参考訳（メタデータ） (2024-03-05T01:46:50Z)
• The Devil's Advocate: Shattering the Illusion of Unexploitable Data using Diffusion Models [14.018862290487617]
  データ保護の摂動に対抗して、慎重に設計された分極処理が可能であることを示す。 AVATARと呼ばれる我々のアプローチは、最近のアベイラビリティーアタックに対して最先端のパフォーマンスを提供する。
  論文  参考訳（メタデータ） (2023-03-15T10:20:49Z)
• Unifying Event Detection and Captioning as Sequence Generation via Pre-Training [53.613265415703815]
  本稿では,イベント検出とキャプションのタスク間関連性を高めるための,事前学習と微調整の統合フレームワークを提案する。 我々のモデルは最先端の手法よりも優れており、大規模ビデオテキストデータによる事前学習ではさらに向上できる。
  論文  参考訳（メタデータ） (2022-07-18T14:18:13Z)
• Adversarial Attack for Asynchronous Event-based Data [0.19580473532948398]
  逆の例を生成して、初めてイベントベースのデータの堅牢なモデルをトレーニングします。 提案アルゴリズムは,N-Caltech101データセット上で97.95%の攻撃成功率を達成する。
  論文  参考訳（メタデータ） (2021-12-27T06:23:43Z)
• Robust Event Classification Using Imperfect Real-world PMU Data [58.26737360525643]
  本研究では,不完全な実世界のファサー計測単位(PMU)データを用いて,ロバストな事象分類について検討する。 我々は、堅牢なイベント分類器を訓練するための新しい機械学習フレームワークを開発する。
  論文  参考訳（メタデータ） (2021-10-19T17:41:43Z)
• Learning Constraints and Descriptive Segmentation for Subevent Detection [74.48201657623218]
  本稿では,サブイベント検出とEventSeg予測の依存関係をキャプチャする制約を学習し,強制するアプローチを提案する。 我々は制約学習にRectifier Networksを採用し、学習した制約をニューラルネットワークの損失関数の正規化項に変換する。
  論文  参考訳（メタデータ） (2021-09-13T20:50:37Z)
• OntoED: Low-resource Event Detection with Ontology Embedding [19.126410765996077]
  イベント検出(ED)は、所定のテキストからイベントトリガーワードを特定し、イベントタイプに分類することを目的としている。 EDへの現在のメソッドのほとんどは、トレーニングインスタンスに大きく依存しており、イベントタイプの相関をほとんど無視しています。
  論文  参考訳（メタデータ） (2021-05-23T12:00:22Z)
• Unsupervised Contrastive Learning of Sound Event Representations [30.914808451327403]
  自己教師付き表現学習は、手動でラベル付けされたデータはほとんどないがラベル付けされていないデータで、認識タスクの制限を軽減することができる。 本研究では,音声イベント表現を学習する手段として,教師なしのコントラスト学習を検討する。 その結果、教師なしのコントラスト事前学習は、データ不足の影響を軽減し、ノイズラベルに対するロバスト性を高めることが示唆された。
  論文  参考訳（メタデータ） (2020-11-15T19:50:14Z)
• Event-Related Bias Removal for Real-time Disaster Events [67.2965372987723]
  ソーシャルメディアは、自然災害や大量攻撃などの危機事象に関する情報を共有する重要なツールとなっている。 有用な情報を含む実行可能なポストを検出するには、大量のデータをリアルタイムに高速に分析する必要がある。 我々は、潜在事象固有のバイアスを除去し、ツイート重要度分類の性能を向上させるために、敵対的ニューラルモデルを訓練する。
  論文  参考訳（メタデータ） (2020-11-02T02:03:07Z)

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。