論文の概要: Privacy-Aware Sharing of Raw Spatial Sensor Data for Cooperative Perception

• arxiv url: http://arxiv.org/abs/2512.16265v1
• Date: Thu, 18 Dec 2025 07:27:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-23 14:49:56.28955
• Title: Privacy-Aware Sharing of Raw Spatial Sensor Data for Cooperative Perception
• Title（参考訳）: 協調認識のための空間センサデータのプライバシ認識共有
• Authors: Bangya Liu, Chengpo Yan, Chenghao Jiang, Suman Banerjee, Akarsh Prabhakara,
• Abstract要約: 我々は、新しいタイプのプライバシー懸念が生まれ、ステークホルダーが生のセンサーデータを共有するのを妨げていると主張している。 我々は、プライバシー漏洩を最小限に抑え、生データに基づく協調認識という野心的な目標に向けて利害関係者を駆り立てる研究フレームワークであるSHARPを提案する。
• 参考スコア（独自算出の注目度）: 3.621817490911487
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cooperative perception between vehicles is poised to offer robust and reliable scene understanding. Recently, we are witnessing experimental systems research building testbeds that share raw spatial sensor data for cooperative perception. While there has been a marked improvement in accuracies and is the natural way forward, we take a moment to consider the problems with such an approach for eventual adoption by automakers. In this paper, we first argue that new forms of privacy concerns arise and discourage stakeholders to share raw sensor data. Next, we present SHARP, a research framework to minimize privacy leakage and drive stakeholders towards the ambitious goal of raw data based cooperative perception. Finally, we discuss open questions for networked systems, mobile computing, perception researchers, industry and government in realizing our proposed framework.
• Abstract（参考訳）: 車両間の協調的な認識は、堅牢で信頼性の高いシーン理解を提供する。 近年,協調認識のための生の空間センサデータを共有するテストベッドを構築する実験システムの研究を目撃している。 格付けが著しく改善され、自然な方向への道のりをたどっているものの、このようなアプローチによる自動車メーカーの最終的な採用の問題を考えることには、少し時間がかかります。 本稿では、まず、新たなプライバシー問題が発生し、ステークホルダーが生のセンサーデータを共有できなくなることを論じる。 次に、プライバシー漏洩を最小限に抑え、生データに基づく協調認識という野心的な目標に向けて利害関係者を駆り立てる研究フレームワークであるSHARPを提案する。 最後に,提案する枠組みを実現する上で,ネットワークシステム,モバイルコンピューティング,知覚研究者,産業,政府に対するオープンな質問について論じる。

関連論文リスト

• The Sum Leaks More Than Its Parts: Compositional Privacy Risks and Mitigations in Multi-Agent Collaboration [72.33801123508145]
  大規模言語モデル(LLM)はマルチエージェントシステムに不可欠なものである。 プライバシーリスクは、暗記、直接推論、シングルターン評価を超えて現れる。 特に、相互作用によって構成される一見無害な反応は、敵が機密情報の回復を累積的に行うことができる。
  論文  参考訳（メタデータ） (2025-09-16T16:57:25Z)
• A Survey on Differential Privacy for SpatioTemporal Data in Transportation Research [0.9790236766474202]
  交通機関では、時空間データ収集が急増している。 このようなデータにおける微分プライバシーの最近の発展は、応用プライバシーの研究につながっている。 個人情報を公開することなく、研究や推論におけるこのようなデータの必要性に対処するために、重要な研究が提案されている。
  論文  参考訳（メタデータ） (2024-07-18T03:19:29Z)
• A Survey of Privacy-Preserving Model Explanations: Privacy Risks, Attacks, and Countermeasures [50.987594546912725]
  AIのプライバシと説明可能性に関する研究が増えているにもかかわらず、プライバシを保存するモデル説明にはほとんど注意が払われていない。 本稿では,モデル説明に対するプライバシ攻撃とその対策に関する,最初の徹底的な調査を紹介する。
  論文  参考訳（メタデータ） (2024-03-31T12:44:48Z)
• Vehicle-to-Everything Cooperative Perception for Autonomous Driving [46.292402824957975]
  車間協調知覚は、知覚範囲を拡大し、検出精度を高める上で重要な役割を担っている。 エージェントの選択,データアライメント,特徴融合など,信頼性の高い認識共有を可能にするための重要な技術について詳細に検討する。 本論文は、車から全車への協調的認識の今後の進歩を支援するための、有望な研究方針を概説することで締めくくっている。
  論文  参考訳（メタデータ） (2023-10-05T13:19:48Z)
• A Unified View of Differentially Private Deep Generative Modeling [60.72161965018005]
  プライバシー上の懸念のあるデータには、データアクセスとデータ共有を頻繁に禁止する厳格な規制が伴う。 これらの障害を克服することは、プライバシーに敏感なデータを含む多くの現実世界のアプリケーションシナリオにおいて、技術的進歩の鍵となる。 差分的プライベート(DP)データパブリッシングは、データの衛生化された形式のみを公開する、魅力的なソリューションを提供する。
  論文  参考訳（メタデータ） (2023-09-27T14:38:16Z)
• Collaborative Perception for Autonomous Driving: Current Status and Future Trend [33.6716877086539]
  車両が情報を共有することで、視線や視野を超えた環境を知覚できるコラボレーティブな認識が提案されている。 本稿では,コラボレーティブモードを一般化し,コラボレーティブ認知の重要な要素と応用を要約する,基本的な概念を紹介する。
  論文  参考訳（メタデータ） (2022-08-22T14:51:29Z)
• Learning to Communicate and Correct Pose Errors [75.03747122616605]
  本稿では、V2VNetで提案された設定について検討し、近くにある自動運転車が共同で物体検出と動き予測を協調的に行う方法を提案する。 本稿では,コミュニケーションを学習し,潜在的な誤りを推定し,それらの誤りについてコンセンサスを得るための新しいニューラルネットワーク推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-10T18:19:40Z)
• Bandwidth-Adaptive Feature Sharing for Cooperative LIDAR Object Detection [2.064612766965483]
  コネクテッド・自動運転車(CAV)領域で必要となる状況認識。 協調機構は、高速無線車載ネットワークを利用して状況認識を改善するソリューションを提供する。 本稿では,通信チャネル容量に適応する柔軟性を付加する機構と,新たな分散共有データアライメント手法を提案する。
  論文  参考訳（メタデータ） (2020-10-22T00:12:58Z)
• Cooperative LIDAR Object Detection via Feature Sharing in Deep Networks [11.737037965090535]
  協調物体検出(FS-COD)のための特徴共有の概念を導入する。 提案手法では, 協調車両間で部分的に処理されたデータを共有することにより, 環境の理解を深める。 提案手法は,従来の単車車物体検出手法よりも性能に優れていた。
  論文  参考訳（メタデータ） (2020-02-19T20:47:09Z)

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。