論文の概要: RL-MoE: An Image-Based Privacy Preserving Approach In Intelligent Transportation System

• arxiv url: http://arxiv.org/abs/2508.09186v2
• Date: Fri, 15 Aug 2025 04:36:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-18 14:51:23.566883
• Title: RL-MoE: An Image-Based Privacy Preserving Approach In Intelligent Transportation System
• Title（参考訳）: RL-MoE:インテリジェントトランスポートシステムにおける画像に基づくプライバシ保護アプローチ
• Authors: Abdolazim Rezaei, Mehdi Sookhak, Mahboobeh Haghparast,
• Abstract要約: 感性のある視覚データをプライバシ保護されたテキスト記述に変換する新しいフレームワークであるRL-MoEを提案する。 RL-MoEは、ニュアンス付きマルチアスペクトシーン分解のためのMixture-of-Experts(MoE)アーキテクチャと強化学習(RL)エージェントを組み合わせる。 私たちの仕事は、プライバシに敏感なドメインで信頼できるAIシステムを構築するための実用的でスケーラブルなソリューションを提供します。
• 参考スコア（独自算出の注目度）: 0.9831489366502302
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The proliferation of AI-powered cameras in Intelligent Transportation Systems (ITS) creates a severe conflict between the need for rich visual data and the right to privacy. Existing privacy-preserving methods, such as blurring or encryption, are often insufficient due to creating an undesirable trade-off where either privacy is compromised against advanced reconstruction attacks or data utility is critically degraded. To resolve this challenge, we propose RL-MoE, a novel framework that transforms sensitive visual data into privacy-preserving textual descriptions, eliminating the need for direct image transmission. RL-MoE uniquely combines a Mixture-of-Experts (MoE) architecture for nuanced, multi-aspect scene decomposition with a Reinforcement Learning (RL) agent that optimizes the generated text for a dual objective of semantic accuracy and privacy preservation. Extensive experiments demonstrate that RL-MoE provides superior privacy protection, reducing the success rate of replay attacks to just 9.4\% on the CFP-FP dataset, while simultaneously generating richer textual content than baseline methods. Our work provides a practical and scalable solution for building trustworthy AI systems in privacy-sensitive domains, paving the way for more secure smart city and autonomous vehicle networks.
• Abstract（参考訳）: インテリジェントトランスポーテーションシステム(ITS)におけるAI搭載カメラの普及は、リッチなビジュアルデータの必要性とプライバシの権利との間に深刻な対立を引き起こします。 ボケや暗号化といった既存のプライバシ保存方法は、高度な再構築攻撃に対してプライバシーが侵害されたり、データユーティリティが著しく劣化したりする、望ましくないトレードオフを生み出すため、しばしば不十分である。 この課題を解決するために、我々は機密情報をプライバシー保護のテキスト記述に変換する新しいフレームワークであるRL-MoEを提案し、直接画像伝送の必要性を排除した。 RL-MoEは、ニュアンス付きマルチアスペクトシーン分解のためのMixture-of-Experts (MoE)アーキテクチャと、生成したテキストをセマンティック精度とプライバシ保護の二重目的のために最適化するReinforcement Learning (RL)エージェントを一意に結合する。 大規模な実験では、RL-MoEは優れたプライバシー保護を提供し、CFP-FPデータセット上でのリプレイ攻撃の成功率を9.4\%に削減し、同時にベースライン方式よりもリッチなテキストコンテンツを生成する。 私たちの仕事は、プライバシーに敏感なドメインで信頼できるAIシステムを構築するための実用的でスケーラブルなソリューションを提供する。

関連論文リスト

• Synthetic Data Generation and Differential Privacy using Tensor Networks' Matrix Product States (MPS) [33.032422801043495]
  マトリックス製品状態(MPS)を用いたプライバシー保護のための高品質な合成データ生成手法を提案する。 我々は,MPSベースの生成モデルをCTGAN,VAE,PrivBayesといった最先端モデルと比較した。 以上の結果から,MPSは特に厳格なプライバシー制約の下で,従来のモデルよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2025-08-08T12:14:57Z)
• PPFL-RDSN: Privacy-Preserving Federated Learning-based Residual Dense Spatial Networks for Encrypted Lossy Image Reconstruction [0.7191015242018246]
  Residual Space Networks (RDSNs) を用いた低解像度入力からの高画質画像の再構成は極めて困難である。 本稿では,損失画像の再構成に特化して,プライバシ保存型フェデレート学習に基づくRDSNフレームワークを提案する。 PPFL-RDSNは、Dense Federated Learning (FL)、ローカル差分プライバシー、堅牢なモデル透かし技術を統合している。
  論文  参考訳（メタデータ） (2025-06-30T19:54:34Z)
• Privacy-Preserving in Connected and Autonomous Vehicles Through Vision to Text Transformation [0.9831489366502302]
  本稿では,フィードバックベース強化学習(RL)と視覚言語モデル(VLM)を活用した,新たなプライバシ保護フレームワークを提案する。 イメージを意味論的に等価なテキスト記述に変換し、視覚的プライバシが保持されている間にシーン関連情報が保持されることを保証する。 評価結果は,プライバシ保護とテキスト品質の両方において,大幅な改善が見られた。
  論文  参考訳（メタデータ） (2025-06-18T20:02:24Z)
• Privacy-Preserving Federated Embedding Learning for Localized Retrieval-Augmented Generation [60.81109086640437]
  我々はFedE4RAG(Federated Retrieval-Augmented Generation)と呼ばれる新しいフレームワークを提案する。 FedE4RAGはクライアント側RAG検索モデルの協調トレーニングを容易にする。 モデルパラメータの保護にフェデレート学習の準同型暗号化を適用する。
  論文  参考訳（メタデータ） (2025-04-27T04:26:02Z)
• Enhancing Privacy-Utility Trade-offs to Mitigate Memorization in Diffusion Models [62.979954692036685]
  PRSSを導入し, 拡散モデルにおけるクラス化自由誘導手法を改良し, 即時再編成とセマンティック・プロンプト・サーチを統合した。 当社のアプローチは一貫してプライバシーとユーティリティのトレードオフを改善し、新たな最先端技術を確立します。
  論文  参考訳（メタデータ） (2025-04-25T02:51:23Z)
• Enhancing Privacy in Semantic Communication over Wiretap Channels leveraging Differential Privacy [51.028047763426265]
  セマンティック通信(SemCom)は,タスク関連情報に着目して伝送効率を向上させる。 セマンティックリッチなデータをセキュアでないチャネルで送信すると、プライバシのリスクが生じる。 本稿では,セマンティックなセマンティックな特徴を保護するために,差分プライバシー機構を統合した新しいSemComフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-23T08:42:44Z)
• PersGuard: Preventing Malicious Personalization via Backdoor Attacks on Pre-trained Text-to-Image Diffusion Models [51.458089902581456]
  特定の画像の悪質なパーソナライズを防ぐ新しいバックドアベースのアプローチであるPersGuardを紹介する。 我々の手法は既存の技術よりも優れており、プライバシーと著作権保護に対するより堅牢なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-02-22T09:47:55Z)
• Technical Report for the Forgotten-by-Design Project: Targeted Obfuscation for Machine Learning [0.03749861135832072]
  本稿では、従来のデータ消去手法と対比して、AIシステム内でのRTBF(Right to be Forgotten)の概念について考察する。 Forgotten by Designは,インスタンス固有の難読化技術を統合した,プライバシ保護のための積極的なアプローチである。 CIFAR-10データセットを用いた実験では,モデル精度を維持しながら,少なくとも1桁のプライバシーリスクを低減できることが示されている。
  論文  参考訳（メタデータ） (2025-01-20T15:07:59Z)
• Diff-Privacy: Diffusion-based Face Privacy Protection [58.1021066224765]
  本稿では,Diff-Privacyと呼ばれる拡散モデルに基づく顔のプライバシー保護手法を提案する。 具体的には、提案したマルチスケール画像インバージョンモジュール(MSI)をトレーニングし、元の画像のSDMフォーマット条件付き埋め込みのセットを得る。 本研究は,条件付き埋め込みに基づいて,組込みスケジューリング戦略を設計し,デノナイズプロセス中に異なるエネルギー関数を構築し,匿名化と視覚的アイデンティティ情報隠蔽を実現する。
  論文  参考訳（メタデータ） (2023-09-11T09:26:07Z)

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。