論文の概要: LCMem: A Universal Model for Robust Image Memorization Detection

• arxiv url: http://arxiv.org/abs/2512.14421v1
• Date: Tue, 16 Dec 2025 14:06:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-17 16:49:26.738821
• Title: LCMem: A Universal Model for Robust Image Memorization Detection
• Title（参考訳）: LCMem:ロバスト画像記憶検出のためのユニバーサルモデル
• Authors: Mischa Dombrowski, Felix Nützel, Bernhard Kainz,
• Abstract要約: 両タスクを協調的に評価するクロスドメインモデルであるLCMem(Latent Contrastive Memorization Network)を導入する。 LCMemは、再識別時の最大16ポイント、コピー検出時の30ポイントの改善を実現している。 以上の結果から,既存のプライバシフィルタは性能と堅牢性を制限し,より強力な保護機構の必要性を浮き彫りにしている。
• 参考スコア（独自算出の注目度）: 10.504309161945065
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in generative image modeling have achieved visual realism sufficient to deceive human experts, yet their potential for privacy preserving data sharing remains insufficiently understood. A central obstacle is the absence of reliable memorization detection mechanisms, limited quantitative evaluation, and poor generalization of existing privacy auditing methods across domains. To address this, we propose to view memorization detection as a unified problem at the intersection of re-identification and copy detection, whose complementary goals cover both identity consistency and augmentation-robust duplication, and introduce Latent Contrastive Memorization Network (LCMem), a cross-domain model evaluated jointly on both tasks. LCMem achieves this through a two-stage training strategy that first learns identity consistency before incorporating augmentation-robust copy detection. Across six benchmark datasets, LCMem achieves improvements of up to 16 percentage points on re-identification and 30 percentage points on copy detection, enabling substantially more reliable memorization detection at scale. Our results show that existing privacy filters provide limited performance and robustness, highlighting the need for stronger protection mechanisms. We show that LCMem sets a new standard for cross-domain privacy auditing, offering reliable and scalable memorization detection. Code and model is publicly available at https://github.com/MischaD/LCMem.
• Abstract（参考訳）: 生成画像モデリングの最近の進歩は、人間の専門家を欺くのに十分な視覚的リアリズムを実現している。 中心となる障害は、信頼性のある記憶検出機構がないこと、限定的な定量的評価、ドメイン間の既存のプライバシー監査手法の貧弱な一般化である。 そこで本研究では,再同定と複写検出の交差点における記憶検出を統一的な問題とみなし,その相補的な目的が同一性整合性と拡張ロバスト重複の両方をカバーし,両タスクを協調的に評価するLatent Contrastive Memorization Network (LCMem)を導入することを提案する。 LCMemは、2段階のトレーニング戦略によってこれを達成し、まず、拡張ロバストコピー検出を組み込む前に、アイデンティティの一貫性を学習する。 6つのベンチマークデータセット全体で、LCMemは、再識別時の最大16ポイント、コピー検出時の30ポイントの改善を実現し、スケールでのより信頼性の高い記憶検出を実現している。 以上の結果から,既存のプライバシフィルタは性能と堅牢性を制限し,より強力な保護機構の必要性を浮き彫りにしている。 LCMemは、信頼性とスケーラブルな記憶検出を提供するクロスドメインプライバシ監査の新しい標準を定めている。 コードとモデルはhttps://github.com/MischaD/LCMemで公開されている。

関連論文リスト

• WithAnyone: Towards Controllable and ID Consistent Image Generation [83.55786496542062]
  アイデンティティ・一貫性・ジェネレーションは、テキスト・ツー・イメージ研究において重要な焦点となっている。 マルチパーソンシナリオに適した大規模ペアデータセットを開発する。 本稿では,データと多様性のバランスをとるためにペアデータを活用する,対照的なアイデンティティ損失を持つ新たなトレーニングパラダイムを提案する。
  論文  参考訳（メタデータ） (2025-10-16T17:59:54Z)
• Social-Sensor Identity Cloning Detection Using Weakly Supervised Deep Forest and Cryptographic Authentication [5.911768189309895]
  本稿では,ソーシャル・センサ・クラウドサービス・プロバイダにおけるアイデンティティ・クローン検出手法を提案する。 提案手法は,1)類似の同一性検出手法,2)暗号ベースの認証プロトコルの2つの主要コンポーネントから構成される。 実世界の大規模データセットを用いた実験により,本手法の有効性と性能を実証した。
  論文  参考訳（メタデータ） (2025-08-13T09:53:23Z)
• Lie Detector: Unified Backdoor Detection via Cross-Examination Framework [68.45399098884364]
  半正直な設定で一貫したバックドア検出フレームワークを提案する。 本手法は,SoTAベースラインよりも5.4%,1.6%,11.9%の精度で検出性能が向上する。 特に、マルチモーダルな大規模言語モデルにおいて、バックドアを効果的に検出するのは、これが初めてである。
  論文  参考訳（メタデータ） (2025-03-21T06:12:06Z)
• Unity in Diversity: Multi-expert Knowledge Confrontation and Collaboration for Generalizable Vehicle Re-identification [60.20318058777603]
  一般化可能な車両再識別(ReID)は、微調整や再訓練を必要とせず、未知のターゲットドメインに適応可能なモデルの開発を目指している。 これまでの研究は主に、ソースドメイン間のデータ分散を調整することで、ドメイン不変の機能の抽出に重点を置いてきた。 そこで本研究では,この問題を解決するために,2段階のMulti-expert Knowledge Confrontation and Collaboration(MiKeCoCo)手法を提案する。
  論文  参考訳（メタデータ） (2024-07-10T04:06:39Z)
• ID-Aligner: Enhancing Identity-Preserving Text-to-Image Generation with Reward Feedback Learning [57.91881829308395]
  AIポートレートや広告といった幅広いアプリケーションシナリオのために、ID-T2I(ID-preserving text-to-image generation)が注目されている。 我々は,ID-T2I性能を向上させるための一般的なフィードバック学習フレームワークである textbfID-Aligner を提案する。
  論文  参考訳（メタデータ） (2024-04-23T18:41:56Z)
• Enabling Privacy-preserving Model Evaluation in Federated Learning via Fully Homomorphic Encryption [1.9662978733004604]
  センシティブなデータを集中化せずにモデルを協調的にトレーニングする能力によって、フェデレートラーニングが急速に普及している。 評価フェーズでは、文献で適切に対処されていない重要なプライバシーリスクが提示される。 完全同型暗号を利用した新しい評価手法を提案する。
  論文  参考訳（メタデータ） (2024-03-21T14:36:55Z)
• MMNet: Multi-Collaboration and Multi-Supervision Network for Sequential Deepfake Detection [81.59191603867586]
  シークエンシャルディープフェイク検出は、回復のための正しいシーケンスで偽の顔領域を特定することを目的としている。 偽画像の復元には、逆変換を実装するための操作モデルの知識が必要である。 顔画像の空間スケールや逐次順列化を扱うマルチコラボレーション・マルチスーパービジョンネットワーク(MMNet)を提案する。
  論文  参考訳（メタデータ） (2023-07-06T02:32:08Z)
• Stratified cross-validation for unbiased and privacy-preserving federated learning [0.0]
  本稿では、重複レコードの繰り返し問題に焦点をあて、もし適切に扱わなければ、モデルの性能を過度に最適化的に見積もる可能性がある。 本稿では,階層化手法を活用して,フェデレート学習環境におけるデータ漏洩を防止する検証手法である階層化クロスバリデーションを紹介し,議論する。
  論文  参考訳（メタデータ） (2020-01-22T15:49:34Z)

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。