論文の概要: From See to Shield: ML-Assisted Fine-Grained Access Control for Visual Data

• arxiv url: http://arxiv.org/abs/2510.19418v1
• Date: Wed, 22 Oct 2025 09:41:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:15.529547
• Title: From See to Shield: ML-Assisted Fine-Grained Access Control for Visual Data
• Title（参考訳）: SeeからShieldへ:ビジュアルデータのためのML支援ファイングラインドアクセス制御
• Authors: Mete Harun Akcay, Buse Gul Atli, Siddharth Prakash Rao, Alexandros Bakas,
• Abstract要約: 本研究は,ポリシー駆動型アクセス制御を用いた信頼データ共有システムアーキテクチャを提案する。 提案アーキテクチャは、センシティブな領域の自動検出、ポスト補正、キー管理、アクセス制御を統合している。 提案システムでは,PSO検出を効果的に行い,マクロ平均F1スコア(5%)と平均平均精度(10%)を向上し,平均1秒未満の復号時間を維持している。
• 参考スコア（独自算出の注目度）: 40.12543056558646
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As the volume of stored data continues to grow, identifying and protecting sensitive information within large repositories becomes increasingly challenging, especially when shared with multiple users with different roles and permissions. This work presents a system architecture for trusted data sharing with policy-driven access control, enabling selective protection of sensitive regions while maintaining scalability. The proposed architecture integrates four core modules that combine automated detection of sensitive regions, post-correction, key management, and access control. Sensitive regions are secured using a hybrid scheme that employs symmetric encryption for efficiency and Attribute-Based Encryption for policy enforcement. The system supports efficient key distribution and isolates key storage to strengthen overall security. To demonstrate its applicability, we evaluate the system on visual datasets, where Privacy-Sensitive Objects in images are automatically detected, reassessed, and selectively encrypted prior to sharing in a data repository. Experimental results show that our system provides effective PSO detection, increases macro-averaged F1 score (5%) and mean Average Precision (10%), and maintains an average policy-enforced decryption time of less than 1 second per image. These results demonstrate the effectiveness, efficiency and scalability of our proposed solution for fine-grained access control.
• Abstract（参考訳）: 格納されるデータの量が増え続けるにつれて、大きなリポジトリ内の機密情報を識別し、保護することがますます難しくなります。 本研究は、ポリシー駆動アクセス制御による信頼性データ共有のためのシステムアーキテクチャを示し、スケーラビリティを維持しながら、機密領域の選択的保護を可能にする。 提案アーキテクチャでは,センシティブな領域の自動検出,ポスト補正,キー管理,アクセス制御を組み合わせた4つのコアモジュールを統合する。 感度領域は、効率的な対称暗号化とポリシー執行のための属性ベースの暗号化を併用したハイブリッドスキームを用いて保護される。 このシステムは効率的なキー配布をサポートし、セキュリティを強化するためにキーストレージを分離する。 そこでは,画像内のプライバシ・センシティブ・オブジェクトを自動的に検出し,再評価し,データリポジトリ内で共有する前に選択的に暗号化する。 実験結果から,本システムは有効なPSO検出を提供し,マクロ平均F1スコア(5%)と平均平均精度(10%)を向上し,平均1秒未満の復号時間を維持していることがわかった。 これらの結果は,詳細なアクセス制御のための提案手法の有効性,効率,拡張性を示すものである。

関連論文リスト

• Fast Revocable Attribute-Based Encryption with Data Integrity for Internet of Things [8.62717748522007]
  Revocable-basedcrypt(RABE)は、IoT(Internet of Things)内のクラウドストレージおよびアウトソースデータ環境における、フレキシブルできめ細かなアクセス制御とデータ共有を保証するために不可欠である。 本稿では,複数のチャレンジ暗号文による適応型セキュリティを特徴付ける,IoT用のデータ整合性を備えた高速なRABE方式を提案する。 我々は、複数のチャレンジ暗号文で定義されたセキュリティモデル内で適応セキュリティを実証し、その性能を最適化した。
  論文  参考訳（メタデータ） (2025-09-25T06:24:29Z)
• Information-Theoretic Decentralized Secure Aggregation with Collusion Resilience [95.33295072401832]
  情報理論の観点から分散型セキュアアグリゲーション(DSA)の問題点を考察する。 DSAの最小到達可能な通信量と秘密鍵率を指定する最適レート領域を特徴付ける。 本研究は,DSAの基本性能限界を確立し,信頼性の高い通信効率の高いプロトコルの設計に関する知見を提供する。
  論文  参考訳（メタデータ） (2025-08-01T12:51:37Z)
• 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)
• MES-RAG: Bringing Multi-modal, Entity-Storage, and Secure Enhancements to RAG [65.0423152595537]
  本稿では,エンティティ固有のクエリ処理を強化し,正確でセキュアで一貫した応答を提供するMES-RAGを提案する。 MES-RAGは、データアクセスの前に保護を適用してシステムの整合性を確保するための積極的なセキュリティ対策を導入している。 実験の結果,MES-RAGは精度とリコールの両方を著しく改善し,質問応答の安全性と有用性を向上する効果が示された。
  論文  参考訳（メタデータ） (2025-03-17T08:09:42Z)
• Design and implementation of a distributed security threat detection system integrating federated learning and multimodal LLM [11.657154571216234]
  本稿では,多モーダル大規模言語モデル(LLM)とフェデレーション学習を統合した分散セキュリティ脅威検出システムを提案する。 10TBの分散データセットを実験的に評価した結果,従来のベースラインモデルよりも4.1ポイント高い96.4%の精度で検出できることがわかった。 性能分析により,本システムは分散環境における効率的な処理能力を維持し,モデルトレーニングに180秒,分散ネットワークにまたがる脅威検出に3.8秒を要することがわかった。
  論文  参考訳（メタデータ） (2025-02-25T01:44:08Z)
• Optimizing Cross-Client Domain Coverage for Federated Instruction Tuning of Large Language Models [87.49293964617128]
  大規模言語モデル(LLM)のためのFedDIT(Federated Domain-specific instruction tuning)は、分散プライベートデータと限定データを用いて、特定のドメインの性能を向上させることを目的としている。 データ不均一性ではなく、クロスクライアントなドメインカバレッジが重要な要素であることを実証的に証明します。 我々は多様性指向のクライアントセンターの選択と検索に基づく拡張を通じて、このカバレッジを明示的に最大化するアルゴリズムであるFedDCAを紹介する。
  論文  参考訳（メタデータ） (2024-09-30T09:34:31Z)
• Trustworthy AI: Securing Sensitive Data in Large Language Models [0.0]
  大規模言語モデル(LLM)は、堅牢なテキスト生成と理解を可能にすることで自然言語処理(NLP)を変革した。 本稿では, 機密情報の開示を動的に制御するために, 信頼機構をLCMに組み込むための包括的枠組みを提案する。
  論文  参考訳（メタデータ） (2024-09-26T19:02:33Z)
• Decentralized Federated Anomaly Detection in Smart Grids: A P2P Gossip Approach [0.44328715570014865]
  本稿では,ランダムウォーク(Random Walk)とエピデミック(Epidemic)という2つの主要なゴシッププロトコルに基づく分散化フェデレーション異常検出手法を提案する。 従来のフェデレートラーニングに比べて,トレーニング時間の35%が顕著に改善されている。
  論文  参考訳（メタデータ） (2024-07-20T10:45:06Z)
• Decentralized Stochastic Optimization with Inherent Privacy Protection [103.62463469366557]
  分散最適化は、現代の協調機械学習、分散推定と制御、大規模センシングの基本的な構成要素である。 データが関与して以降、分散最適化アルゴリズムの実装において、プライバシ保護がますます重要になっている。
  論文  参考訳（メタデータ） (2022-05-08T14:38:23Z)

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。