論文の概要: Rethinking Visual Privacy: A Compositional Privacy Risk Framework for Severity Assessment with VLMs

• arxiv url: http://arxiv.org/abs/2603.21573v1
• Date: Mon, 23 Mar 2026 04:48:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.492654
• Title: Rethinking Visual Privacy: A Compositional Privacy Risk Framework for Severity Assessment with VLMs
• Title（参考訳）: ビジュアルプライバシを再考する - VLMによる重症度評価のための構成的プライバシリスクフレームワーク
• Authors: Efthymios Tsaprazlis, Tiantian Feng, Anil Ramakrishna, Sai Praneeth Karimireddy, Rahul Gupta, Shrikanth Narayanan,
• Abstract要約: 既存のビジュアルプライバシベンチマークでは、プライバシをバイナリプロパティとして扱い、可視性のあるコンテンツに基づいて、イメージをプライベートまたは非プライベートとしてラベル付けしている。 我々は、プライバシーは基本的に構成的だと主張する。孤立した属性が組み合わさって、厳しいプライバシー侵害が発生するかもしれない。 本研究は,構成的プライバシーリスク分類法 (CPRT) について紹介する。これは,独立した識別可能性と構成的害ポテンシャルに基づいて視覚的属性を整理する,規制を意識したフレームワークである。
• 参考スコア（独自算出の注目度）: 58.7856837806126
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing visual privacy benchmarks largely treat privacy as a binary property, labeling images as private or non-private based on visible sensitive content. We argue that privacy is fundamentally compositional. Attributes that are benign in isolation may combine to produce severe privacy violations. We introduce the Compositional Privacy Risk Taxonomy (CPRT), a regulation-aware framework that organizes visual attributes according to standalone identifiability and compositional harm potential. CPRT defines four graded severity levels and is paired with an interpretable scoring function that assigns continuous privacy severity scores. We further construct a taxonomy-aligned dataset of 6.7K images and derive ground-truth compositional risk scores. By evaluating frontier and open-weight VLMs we find that frontier models align well with compositional severity when provided structured guidance, but systematically underestimate composition-driven risks. Smaller models struggle to internalize graded privacy reasoning. To bridge this gap, we introduce a deployable 8B supervised fine-tuned (SFT) model that closely matches frontier-level performance on compositional privacy assessment.
• Abstract（参考訳）: 既存のビジュアルプライバシベンチマークでは、プライバシをバイナリプロパティとして扱い、可視性のあるコンテンツに基づいて、イメージをプライベートまたは非プライベートとしてラベル付けしている。 プライバシーは基本的に構成的だと主張する。 孤立した属性が組み合わされば、厳しいプライバシー侵害が発生する可能性がある。 本研究は,構成的プライバシーリスク分類法 (CPRT) について紹介する。これは,独立した識別可能性と構成的害ポテンシャルに基づいて視覚的属性を整理する,規制を意識したフレームワークである。 CPRTは4つのグレードの重大度レベルを定義し、継続的なプライバシー重大度スコアを割り当てる解釈可能なスコア機能とペアリングされる。 さらに,6.7K画像の分類対応データセットを構築し,構造的リスクスコアを導出する。 フロンティアとオープンウェイトVLMを評価することで、フロンティアモデルが構造的ガイダンスを提供する際には、構成上の重大さと整合するが、体系的には構成駆動リスクを過小評価する。 より小さなモデルは、格付けされたプライバシ推論を内部化するのに苦労する。 このギャップを埋めるために、私たちは、フロンティアレベルのパフォーマンスとコンポジションプライバシ評価を密に一致させる、デプロイ可能な8B教師付き微調整(SFT)モデルを導入しました。

関連論文リスト

• Privacy Collapse: Benign Fine-Tuning Can Break Contextual Privacy in Language Models [47.866853046761044]
  トレーニングデータの多様で微妙なパターンは、コンテキストプライバシを低下させる可能性がある。 微調整されたモデルは、コンテキストプライバシの規範を推論する能力を失う。 この結果から, 現状の安全性評価に重大なギャップがあることが判明した。
  論文  参考訳（メタデータ） (2026-01-21T17:53:06Z)
• MultiPriv: Benchmarking Individual-Level Privacy Reasoning in Vision-Language Models [14.942122955210436]
  現代のビジョンランゲージモデル(VLM)は、洗練された推論を示し、プライバシーリスクをエスカレートする。 現在のプライバシーベンチマークは、この新たな脅威に対して構造的に不十分である。 個人レベルのプライバシ推論を体系的に評価するための最初のベンチマークである textbfMultiPriv を提案する。
  論文  参考訳（メタデータ） (2025-11-21T04:33:11Z)
• On the MIA Vulnerability Gap Between Private GANs and Diffusion Models [51.53790101362898]
  GAN(Generative Adversarial Networks)と拡散モデルが高品質な画像合成のための主要なアプローチとして登場している。 差分自己生成モデルが直面するプライバシーリスクの統一的および実証的分析について述べる。
  論文  参考訳（メタデータ） (2025-09-03T14:18:22Z)
• Enhancing Feature-Specific Data Protection via Bayesian Coordinate Differential Privacy [55.357715095623554]
  ローカル微分プライバシー(LDP)は、ユーザーが外部の関係者を信頼することなく、強力なプライバシー保証を提供する。 本稿では,ベイジアン・フレームワークであるベイジアン・コーディネート・ディファレンシャル・プライバシ(BCDP)を提案する。
  論文  参考訳（メタデータ） (2024-10-24T03:39:55Z)
• Differential Confounding Privacy and Inverse Composition [32.85314813605347]
  本稿では,Pufferfishプライバシーフレームワークの特殊な形式であるtextitdifferential confounding Privacy (DCP)を紹介する。 DCP機構は, 構成上のプライバシー保証を保っているが, DPの優雅な構成特性は欠如していることが示されている。 我々は、リーダ・フォロワーモデルがターゲット保証を達成するためのプライバシ戦略を最適に設計する、textitInverse Composition (IC)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-21T21:45:13Z)
• Little Data, Big Impact: Privacy-Aware Visual Language Models via Minimal Tuning [16.272314073324626]
  我々は、最先端のビジュアル・アズ・ランゲージ・モデル(VLM)を評価し、視覚的プライバシの理解における限界を特定する。 これを解決するために,PrivBench-HとPrivTuneという2つのコンパクトで高品質なベンチマークを導入する。 我々は、GPT-4を越えながら、他のタスクの強い性能を維持しながら、全てのベンチマークで実質的なゲインを得る。
  論文  参考訳（メタデータ） (2024-05-27T17:59:25Z)
• How Do Input Attributes Impact the Privacy Loss in Differential Privacy? [55.492422758737575]
  DPニューラルネットワークにおけるオブジェクトごとの規範と個人のプライバシ損失との関係について検討する。 プライバシ・ロス・インプット・サセプティビリティ(PLIS)と呼ばれる新しい指標を導入し、被験者のプライバシ・ロスを入力属性に適応させることを可能にした。
  論文  参考訳（メタデータ） (2022-11-18T11:39:03Z)
• InfoScrub: Towards Attribute Privacy by Targeted Obfuscation [77.49428268918703]
  視覚データに流出した個人情報を個人が制限できる技術について検討する。 我々はこの問題を新しい画像難読化フレームワークで解決する。 提案手法では,元の入力画像に忠実な難読化画像を生成するとともに,非難読化画像に対して6.2$times$(または0.85bits)の不確実性を増大させる。
  論文  参考訳（メタデータ） (2020-05-20T19:48:04Z)

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。