論文の概要: Face Identity Unlearning for Retrieval via Embedding Dispersion

• arxiv url: http://arxiv.org/abs/2512.13317v1
• Date: Mon, 15 Dec 2025 13:35:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.677362
• Title: Face Identity Unlearning for Retrieval via Embedding Dispersion
• Title（参考訳）: 埋め込み分散による検索のための顔認識の非学習
• Authors: Mikhail Zakharov,
• Abstract要約: 顔認識システムは、正確な検索を可能にするために、高度に差別的でコンパクトなアイデンティティクラスタの学習に依存している。 本研究では,検索システムにおける顔認証アンラーニングの問題について検討し,その課題について述べる。 第一の課題は、埋め込み空間の識別的構造を保ちながら、この忘れる効果を達成することである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Face recognition systems rely on learning highly discriminative and compact identity clusters to enable accurate retrieval. However, as with other surveillance-oriented technologies, such systems raise serious privacy concerns due to their potential for unauthorized identity tracking. While several works have explored machine unlearning as a means of privacy protection, their applicability to face retrieval - especially for modern embedding-based recognition models - remains largely unexplored. In this work, we study the problem of face identity unlearning for retrieval systems and present its inherent challenges. The goal is to make selected identities unretrievable by dispersing their embeddings on the hypersphere and preventing the formation of compact identity clusters that enable re-identification in the gallery. The primary challenge is to achieve this forgetting effect while preserving the discriminative structure of the embedding space and the retrieval performance of the model for the remaining identities. To address this, we evaluate several existing approximate class unlearning methods (e.g., Random Labeling, Gradient Ascent, Boundary Unlearning, and other recent approaches) in the context of face retrieval and propose a simple yet effective dispersion-based unlearning approach. Extensive experiments on standard benchmarks (VGGFace2, CelebA) demonstrate that our method achieves superior forgetting behavior while preserving retrieval utility.
• Abstract（参考訳）: 顔認識システムは、正確な検索を可能にするために、高度に差別的でコンパクトなアイデンティティクラスタの学習に依存している。 しかしながら、他の監視指向技術と同様に、このようなシステムは、不正なID追跡の可能性から、深刻なプライバシー上の懸念を提起する。 プライバシ保護の手段として機械学習を探求する研究はいくつかあるが、顔検索(特に現代の埋め込みベースの認識モデル)の適用性は、いまだほとんど調査されていない。 本研究では,検索システムにおける顔認証アンラーニングの問題について検討し,その課題について述べる。 目的は、ハイパースフィアに埋め込みを分散させ、ギャラリーにおける再識別を可能にするコンパクトなアイデンティティクラスタの形成を防止することで、選択したIDを検索不能にすることである。 第一の課題は、埋め込み空間の識別的構造と残りのアイデンティティに対するモデルの検索性能を保ちながら、この忘れる効果を達成することである。 これを解決するために、顔検索の文脈において、いくつかの既存の近似クラスアンラーニング手法(ランダムラベル、グラディエント・アセント、境界アンラーニングなど)を評価し、単純で効果的な分散に基づくアンラーニング手法を提案する。 標準ベンチマーク(VGGFace2, CelebA)の大規模な実験により, 提案手法は検索ユーティリティを保ちながら, 優れた忘れ行動を実現することを示した。

関連論文リスト

• CURE: Centroid-guided Unsupervised Representation Erasure for Facial Recognition Systems [0.0]
  CUREは、顔認識システムのための最初の教師なしアンラーニングフレームワークである。 CUREは、全体的なパフォーマンスを維持しながら、ターゲットとするサンプルを効果的に除去する。 また, 忘れと保持の安定性のバランスをとる新しい尺度, Unlearning Efficiency Score (UES) を提案する。
  論文  参考訳（メタデータ） (2025-09-23T20:42:40Z)
• Deep Learning Models for Robust Facial Liveness Detection [56.08694048252482]
  本研究では,現代のアンチスプーフィング手法の欠陥に対処する新しい深層学習モデルを用いて,ロバストな解を提案する。 テクスチャ解析と実際の人間の特性に関連する反射特性を革新的に統合することにより、我々のモデルは、顕著な精度でレプリカと真の存在を区別する。
  論文  参考訳（メタデータ） (2025-08-12T17:19:20Z)
• FRIDAY: Mitigating Unintentional Facial Identity in Deepfake Detectors Guided by Facial Recognizers [16.702284414478292]
  従来のディープフェイク検出方法はトレーニング領域内では良好に機能するが、新しい合成技術によってその効果は著しく低下する。 近年の研究では、検出モデルが合成人工物ではなく、顔の同一性に基づく決定境界をしばしば生成していることが判明している。 本稿では,顔認識による顔認証の影響を緩和する新たな訓練手法であるFRIDAY(Falcial Recognition Identity Attenuation)を提案する。
  論文  参考訳（メタデータ） (2024-12-19T08:21:28Z)
• Local Features Meet Stochastic Anonymization: Revolutionizing Privacy-Preserving Face Recognition for Black-Box Models [54.88064975480573]
  プライバシー保護顔認証(PPFR)の課題は現在、2つの未解決課題に直面している。 グローバルな特徴の破壊と局所的な特徴の強化により,ブラックボックス環境においても効果的に認識できる。 本手法は,ブラックボックスモデルの平均認識精度94.21%を達成し,プライバシ保護とアンチコンストラクションの両面で既存手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-12-11T10:49:15Z)
• CLFace: A Scalable and Resource-Efficient Continual Learning Framework for Lifelong Face Recognition [0.0]
  CLFaceは学習知識の保存と漸進的な拡張を目的とした継続的学習フレームワークである。 分類層を排除し、生涯学習を通して固定された資源効率の高いFRモデルをもたらす。 教師モデルの特徴埋め込みの向きを維持するために、幾何学保存蒸留スキームが組み込まれている。
  論文  参考訳（メタデータ） (2024-11-21T06:55:43Z)
• Pose-Transformation and Radial Distance Clustering for Unsupervised Person Re-identification [5.522856885199346]
  人物再識別(re-ID)は、重複しないカメラ間での同一性マッチングの問題に対処することを目的としている。 監視されたアプローチでは、取得が困難になり、トレーニング対象のデータセットに対して本質的にバイアスがかかる可能性のあるID情報が必要となる。 本稿では,真のラベルの知識をゼロにすることで,学習した特徴の識別能力を向上する手法を提案する。
  論文  参考訳（メタデータ） (2024-11-06T20:55:30Z)
• Time-Aware Face Anti-Spoofing with Rotation Invariant Local Binary Patterns and Deep Learning [50.79277723970418]
  模倣攻撃は 不正な識別と その後の攻撃者の認証につながる 顔認識と同様に、模倣攻撃も機械学習で検出できる。 本稿では,未使用の機能と時間認識の深層学習戦略を組み合わせることで,高い分類精度を実現する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-08-27T07:26:10Z)
• UniForensics: Face Forgery Detection via General Facial Representation [60.5421627990707]
  高レベルの意味的特徴は摂動の影響を受けにくく、フォージェリー固有の人工物に限らないため、より強い一般化がある。 我々は、トランスフォーマーベースのビデオネットワークを活用する新しいディープフェイク検出フレームワークUniForensicsを導入し、顔の豊かな表現のためのメタファンクショナルな顔分類を行う。
  論文  参考訳（メタデータ） (2024-07-26T20:51:54Z)
• Disguise without Disruption: Utility-Preserving Face De-Identification [40.484745636190034]
  本研究では,修正データの利用性を確保しつつ,顔画像をシームレスに識別する新しいアルゴリズムであるDisguiseを紹介する。 本手法は, 難読化と非可逆性を最大化するために, 変分機構を用いて生成した合成物を用いて, 描写されたアイデンティティを抽出し置換することを含む。 提案手法を複数のデータセットを用いて広範に評価し,様々な下流タスクにおける従来の手法と比較して,高い非識別率と一貫性を示す。
  論文  参考訳（メタデータ） (2023-03-23T13:50:46Z)
• Towards Intrinsic Common Discriminative Features Learning for Face Forgery Detection using Adversarial Learning [59.548960057358435]
  本稿では, 対人学習を利用して, 異なる偽造法と顔の同一性による負の効果を除去する手法を提案する。 我々の顔偽造検出モデルは、偽造法や顔の同一性の影響を排除し、共通の識別的特徴を抽出することを学ぶ。
  論文  参考訳（メタデータ） (2022-07-08T09:23:59Z)
• Federated Learning for Face Recognition with Gradient Correction [52.896286647898386]
  本稿では,顔認識のためのフェデレーション学習に取り組むためのフレームワークであるFedGCを紹介する。 我々は,FedGCが標準ソフトマックスと同様の損失関数を構成することを示す。
  論文  参考訳（メタデータ） (2021-12-14T09:19:29Z)

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。