論文の概要: A Parallel Region-Adaptive Differential Privacy Framework for Image Pixelization

• arxiv url: http://arxiv.org/abs/2511.04261v1
• Date: Thu, 06 Nov 2025 10:51:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-07 20:17:53.396048
• Title: A Parallel Region-Adaptive Differential Privacy Framework for Image Pixelization
• Title（参考訳）: 画像化のための並列領域適応微分プライバシーフレームワーク
• Authors: Ming Liu,
• Abstract要約: 差分的にプライベートなピクセル化は、ノイズ付加による視覚データの数学的に保証された保護を提供する。 本稿では,差分プライバシーの理論的厳密さと実用的な効率性を組み合わせた,並列な領域適応型画素化フレームワークを提案する。 提案手法は,GPU並列性を利用して,局所的複雑性に基づいてグリッドサイズとノイズスケールを適応的に調整し,実行時アクセラレーションを実現する。 これにより、高齢者ケア、スマートホームモニタリング、運転行動分析、群衆行動監視といったリアルタイムプライバシクリティカルなアプリケーションに適していることが検証される。
• 参考スコア（独自算出の注目度）: 4.738949927143789
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The widespread deployment of high-resolution visual sensing systems, coupled with the rise of foundation models, has amplified privacy risks in video-based applications. Differentially private pixelization offers mathematically guaranteed protection for visual data through grid-based noise addition, but challenges remain in preserving task-relevant fidelity, achieving scalability, and enabling efficient real-time deployment. To address this, we propose a novel parallel, region-adaptive pixelization framework that combines the theoretical rigor of differential privacy with practical efficiency. Our method adaptively adjusts grid sizes and noise scales based on regional complexity, leveraging GPU parallelism to achieve significant runtime acceleration compared to the classical baseline. A lightweight storage scheme is introduced by retaining only essential noisy statistics, significantly reducing space overhead. Formal privacy analysis is provided under the Laplace mechanism and parallel composition theorem. Extensive experiments on the PETS, Venice-2, and PPM-100 datasets demonstrate favorable privacy-utility trade-offs and significant runtime/storage reductions. A face re-identification attack experiment on CelebA further confirms the method's effectiveness in preventing identity inference. This validates its suitability for real-time privacy-critical applications such as elderly care, smart home monitoring, driver behavior analysis, and crowd behavior monitoring.
• Abstract（参考訳）: 高解像度視覚センシングシステムの普及と基礎モデルの台頭により、ビデオベースのアプリケーションにおけるプライバシーリスクが増大した。 差分的にプライベートなピクセル化は、グリッドベースのノイズ付加による視覚データに対する数学的に保証された保護を提供するが、課題は、タスク関連の忠実さの維持、スケーラビリティの実現、効率的なリアルタイムデプロイメントの実現である。 そこで本研究では,差分プライバシーの理論的厳密さと実用的な効率性を組み合わせた,並列な領域適応型画素化フレームワークを提案する。 提案手法は,GPU並列性を利用して,従来のベースラインに比べて大きな実行時加速を実現することにより,局所的複雑性に基づいてグリッドサイズとノイズスケールを適応的に調整する。 基本的なノイズ統計のみを保持し、空間オーバーヘッドを大幅に低減することで、軽量なストレージ方式が導入された。 形式的プライバシー分析はLaplace機構と並列合成定理の下で提供される。 PETS、Vene-2、PPM-100データセットに関する大規模な実験は、適切なプライバシとユーティリティのトレードオフと、大幅なランタイム/ストレージの削減を示している。 CelebAの顔再識別攻撃実験は、身元推定を防ぐ方法の有効性をさらに確認する。 これにより、高齢者ケア、スマートホームモニタリング、運転行動分析、群衆行動監視といったリアルタイムプライバシクリティカルなアプリケーションに適していることが検証される。

関連論文リスト

• ImprovDML: Improved Trade-off in Private Byzantine-Resilient Distributed Machine Learning [22.85986751447643]
  一般的な戦略は、Byzantine-Resilientアグリゲーションルールと差分プライバシーメカニズムの統合である。 そこで我々は,プライバシ保護を同時に確保しつつ,モデルの精度を向上する ImprovDML を提案する。 モデル精度と差分プライバシーの間のトレードオフを改善することを実証する。
  論文  参考訳（メタデータ） (2025-06-18T06:53:52Z)
• Trade-offs in Privacy-Preserving Eye Tracking through Iris Obfuscation: A Benchmarking Study [44.44776028287441]
  ユーザアイデンティティを難読化するために,ボーリング,ノイズアップ,ダウンサンプリング,ゴムシートモデル,アイリススタイルの転送をベンチマークした。 実験の結果,曖昧化やノイズ化といった標準的な画像処理手法が,ディープラーニングに基づくタスクに限界的影響を与えることがわかった。 ダウンサンプリング,ゴムシートモデル,アイリススタイル転送は,ユーザ識別子の隠蔽に有効であるが,アイリススタイル転送は高い計算コストで,両ユーティリティタスクにおいて他よりも優れている。
  論文  参考訳（メタデータ） (2025-04-14T14:29:38Z)
• Linear-Time User-Level DP-SCO via Robust Statistics [55.350093142673316]
  ユーザレベルの差分プライベート凸最適化(DP-SCO)は、マシンラーニングアプリケーションにおけるユーザのプライバシ保護の重要性から、大きな注目を集めている。 微分プライベート勾配勾配(DP-SGD)に基づくような現在の手法は、しばしば高雑音蓄積と準最適利用に苦しむ。 これらの課題を克服するために、ロバストな統計、特に中央値とトリミング平均を利用する新しい線形時間アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2025-02-13T02:05:45Z)
• Privacy-Preserving Diffusion Model Using Homomorphic Encryption [5.282062491549009]
  HE拡散(HE-Diffusion)と呼ばれる同相暗号を利用したプライバシー保護型安定拡散フレームワークを提案する。 本稿では,効率的な部分的画像暗号化を実現するための新しいミン歪み法を提案する。 HEベースのプライバシ保存型安定拡散推論の実装に成功した。
  論文  参考訳（メタデータ） (2024-03-09T04:56:57Z)
• TernaryVote: Differentially Private, Communication Efficient, and Byzantine Resilient Distributed Optimization on Heterogeneous Data [50.797729676285876]
  本稿では, 3次圧縮機と多数決機構を組み合わせて, 差分プライバシー, 勾配圧縮, ビザンチンレジリエンスを同時に実現するternaryVoteを提案する。 提案アルゴリズムのF差分プライバシー(DP)とビザンチンレジリエンスのレンズによるプライバシー保証を理論的に定量化する。
  論文  参考訳（メタデータ） (2024-02-16T16:41:14Z)
• Theoretically Principled Federated Learning for Balancing Privacy and Utility [61.03993520243198]
  モデルパラメータを歪ませることでプライバシを保護する保護機構の一般学習フレームワークを提案する。 フェデレートされた学習における各コミュニケーションラウンドにおいて、各クライアント上の各モデルパラメータに対して、パーソナライズされたユーティリティプライバシトレードオフを実現することができる。
  論文  参考訳（メタデータ） (2023-05-24T13:44:02Z)
• 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)
• An automatic differentiation system for the age of differential privacy [65.35244647521989]
  Tritiumは、微分プライベート(DP)機械学習(ML)のための自動微分ベース感度分析フレームワークである 我々は、微分プライベート(DP)機械学習(ML)のための自動微分に基づく感度分析フレームワークTritiumを紹介する。
  論文  参考訳（メタデータ） (2021-09-22T08:07:42Z)

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。