論文の概要: TSDCRF: Balancing Privacy and Multi-Object Tracking via Time-Series CRF and Normalized Control Penalty

• arxiv url: http://arxiv.org/abs/2603.13667v1
• Date: Sat, 14 Mar 2026 00:27:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.326765
• Title: TSDCRF: Balancing Privacy and Multi-Object Tracking via Time-Series CRF and Normalized Control Penalty
• Title（参考訳）: TSDCRF: 時系列CRFと正規制御ペナルティによるプライバシとマルチオブジェクトトラッキングのバランス
• Authors: Bo Ma, Jinsong Wu, Weiqi Yan,
• Abstract要約: ビデオにおける多目的追跡は、しばしば、繊細なアイデンティティ情報を明らかにするための外観や位置の手がかりを必要とする。 3つのコンポーネントを組み合わせることで、プライバシとトラッキングのバランスをとるプラグイン改良フレームワークであるTSDCRFを提案する。 その結果、TSDCRFはホワイトノイズや先行手法よりもプライバシーとユーティリティのトレードオフが優れていることがわかった。
• 参考スコア（独自算出の注目度）: 7.172756746172751
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-object tracking in video often requires appearance or location cues that can reveal sensitive identity information, while adding privacy-preserving noise typically disrupts cross-frame association and causes ID switches or target loss. We propose TSDCRF, a plug-in refinement framework that balances privacy and tracking by combining three components: (i) $(\varepsilon,δ)$-differential privacy via calibrated Gaussian noise on sensitive regions under a configurable privacy budget; (ii) a Normalized Control Penalty (NCP) that down-weights unstable or conflicting class predictions before noise injection to stabilize association; and (iii) a time-series dynamic conditional random field (DCRF) that enforces temporal consistency and corrects trajectory deviation after noise, mitigating ID switches and resilience to trajectory hijacking. The pipeline is agnostic to the choice of detector and tracker (e.g., YOLOv4 and DeepSORT). We evaluate on MOT16, MOT17, Cityscapes, and KITTI. Results show that TSDCRF achieves a better privacy--utility trade-off than white noise and prior methods (NTPD, PPDTSA): lower KL-divergence shift, lower tracking RMSE, and improved robustness under trajectory hijacking while preserving privacy. Source code in https://github.com/mabo1215/TSDCRF.git
• Abstract（参考訳）: ビデオにおける多目的追跡には、繊細なアイデンティティ情報を明らかにするための外観や位置の手がかりを必要とすることが多いが、プライバシ保護ノイズを追加すると、通常はクロスフレームの関連性が損なわれ、IDスイッチやターゲット損失を引き起こす。 3つのコンポーネントを組み合わせることで、プライバシとトラッキングのバランスをとるプラグイン改良フレームワークであるTSDCRFを提案する。 (i)$(\varepsilon,δ)$-differential privacy via calibrated Gaussian noise on sensitive region under aconfigurable privacy budget 2 騒音注入前の下級予測を不安定又は矛盾させ、関連性を安定させる正規化制御罰(NCP) 三 時相整合を強制し、騒音後の軌道偏差を補正し、IDスイッチを緩和し、軌道ハイジャックに対する弾力性を有する時系列動的条件ランダム場(DCRF)。 パイプラインは検出器とトラッカーの選択(例:YOLOv4、DeepSORT)に依存しない。 我々はMOT16,MOT17,Cityscapes,KITTIについて検討した。 その結果、TSDCRFはホワイトノイズや先行手法(NTPD, PPDTSA)よりも優れたプライバシー利用トレードオフを実現していることがわかった。 ソースコードはhttps://github.com/mabo1215/TSDCRF.gitにある。

関連論文リスト

• PPEDCRF: Privacy-Preserving Enhanced Dynamic CRF for Location-Privacy Protection for Sequence Videos with Minimal Detection Degradation [7.329775099113131]
  本稿では,バックグラウンドベース検索攻撃下での位置情報プライバシリークについて検討する。 プライバシ保護型条件付きランダムフィールドフレームワークであるPEDCRFを提案する。 公共運転データセットの実験では、PPEDCRFが位置検索攻撃の成功を著しく減少させることが示された。
  論文  参考訳（メタデータ） (2026-03-02T08:18:53Z)
• Differentially Private Feature Release for Wireless Sensing: Adaptive Privacy Budget Allocation on CSI Spectrograms [0.0]
  無線センシングのための差分プライベート(DP)機能リリースについて検討した。 本稿では,CSIの時間周波数表現の非一様構造に合わせた適応型プライバシ予算配分機構を提案する。 本手法は,アイデンティティやメンバシップ推論攻撃における経験的リークを著しく低減しつつ,精度の向上と誤りの低減を実現している。
  論文  参考訳（メタデータ） (2025-12-23T12:45:49Z)
• Spectral Graph Clustering under Differential Privacy: Balancing Privacy, Accuracy, and Efficiency [53.98433419539793]
  エッジ差分プライバシー(DP)下におけるスペクトルグラフクラスタリングの問題点について検討する。 具体的には, (i) エッジフリップによるグラフ摂動と, エッジプライバシを強制する隣接行列シャッフルを併用したグラフ摂動, (ii) 次元と複雑性の複雑さを低減するために低次元空間における加法的ガウス雑音を伴うプライベートグラフプロジェクション, (iii) 収束性を維持しながらエッジDPを確保するために反復的にガウス雑音を分散するノイズの多いパワーイテレーション手法である。
  論文  参考訳（メタデータ） (2025-10-08T15:30:27Z)
• $(ε, δ)$-Differentially Private Partial Least Squares Regression [1.8666451604540077]
  我々は,モデルに基づくデータのプライバシーを確保するために,$(epsilon, delta)$-differentially private PLS (edPLS)アルゴリズムを提案する。 実験により、EDPLSはトレーニングデータに固有の変動源を回復することを目的とした、効果的なプライバシー攻撃を施すことが示されている。
  論文  参考訳（メタデータ） (2024-12-12T10:49:55Z)
• On the Privacy of Selection Mechanisms with Gaussian Noise [44.577599546904736]
  ガウス雑音によるReport Noisy MaxとAbove Thresholdの分析を再検討する。 その結果,Report Noisy Max の純元 DP 境界と Above Threshold の純元 DP 境界を提供することが可能であることがわかった。
  論文  参考訳（メタデータ） (2024-02-09T02:11:25Z)
• Amplitude-Varying Perturbation for Balancing Privacy and Utility in Federated Learning [86.08285033925597]
  本稿では,フェデレート学習のプライバシを保護するため,時変雑音振幅を持つ新しいDP摂動機構を提案する。 我々は、FLの過度な摂動ノイズによる早期収束を防止するために、シリーズのオンラインリファインメントを導出した。 新しいDP機構のプライバシ保存FLの収束と精度への寄与は、持続的な雑音振幅を持つ最先端のガウスノイズ機構と比較して相関する。
  論文  参考訳（メタデータ） (2023-03-07T22:52:40Z)
• TAN Without a Burn: Scaling Laws of DP-SGD [70.7364032297978]
  近年、ディープニューラルネットワーク(DNN)を訓練するための微分プライベートな手法が進歩している。 プライバシ分析とノイズのあるトレーニングの実験的振る舞いを分離し、最小限の計算要件でトレードオフを探索する。 我々は,提案手法をCIFAR-10とImageNetに適用し,特にImageNetの最先端性を,上位1点の精度で向上させる。
  論文  参考訳（メタデータ） (2022-10-07T08:44:35Z)
• Over-the-Air Federated Learning with Privacy Protection via Correlated Additive Perturbations [57.20885629270732]
  我々は、複数のユーザ/エージェントからエッジサーバへの勾配更新をOtA(Over-the-Air)で送信することで、無線フェデレーション学習のプライバシー面を考察する。 従来の摂動に基づく手法は、トレーニングの精度を犠牲にしてプライバシー保護を提供する。 本研究では,エッジサーバにおけるプライバシリークの最小化とモデル精度の低下を目標とする。
  論文  参考訳（メタデータ） (2022-10-05T13:13:35Z)
• Normalized/Clipped SGD with Perturbation for Differentially Private Non-Convex Optimization [94.06564567766475]
  DP-SGDとDP-NSGDは、センシティブなトレーニングデータを記憶する大規模モデルのリスクを軽減する。 DP-NSGD は DP-SGD よりも比較的チューニングが比較的容易であるのに対して,これらの2つのアルゴリズムは同様の精度を実現する。
  論文  参考訳（メタデータ） (2022-06-27T03:45:02Z)

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。