論文の概要: PrivHAR-Bench: A Graduated Privacy Benchmark Dataset for Video-Based Action Recognition
- arxiv url: http://arxiv.org/abs/2604.00761v1
- Date: Wed, 01 Apr 2026 11:24:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-02 16:44:31.955007
- Title: PrivHAR-Bench: A Graduated Privacy Benchmark Dataset for Video-Based Action Recognition
- Title（参考訳）: PrivHAR-Bench: ビデオベースのアクション認識のための大学院プライバシベンチマークデータセット
- Authors: Samar Ansari,
- Abstract要約: PrivHAR-Benchは、HAR(Human Activity Recognition)メソッドの評価のためのベンチマークデータセットである。
1,932本のソースビデオはそれぞれ、プライバシーの強さが増す9つの並列層に分散されている。
R3D-18を用いた実証検証では、層間の測定可能かつ解釈可能な劣化曲線が示され、内部の精度は88.8%(クリア)から53.5%(暗号化、バックグラウンド保存)に低下し、精度は4.8%に低下した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Existing research on privacy-preserving Human Activity Recognition (HAR) typically evaluates methods against a binary paradigm: clear video versus a single privacy transformation. This limits cross-method comparability and obscures the nuanced relationship between privacy strength and recognition utility. We introduce \textit{PrivHAR-Bench}, a multi-tier benchmark dataset designed to standardize the evaluation of the \textit{Privacy-Utility Trade-off} in video-based action recognition. PrivHAR-Bench applies a graduated spectrum of visual privacy transformations: from lightweight spatial obfuscation to cryptographic block permutation, to a curated subset of 15 activity classes selected for human articulation diversity. Each of the 1,932 source videos is distributed across 9 parallel tiers of increasing privacy strength, with additional background-removed variants to isolate the contribution of human motion features from contextual scene bias. We provide lossless frame sequences, per-frame bounding boxes, estimated pose keypoints with joint-level confidence scores, standardized group-based train/test splits, and an evaluation toolkit computing recognition accuracy and privacy metrics. Empirical validation using R3D-18 demonstrates a measurable and interpretable degradation curve across tiers, with within-tier accuracy declining from 88.8\% (clear) to 53.5\% (encrypted, background-removed) and cross-domain accuracy collapsing to 4.8\%, establishing PrivHAR-Bench as a controlled benchmark for comparing privacy-preserving HAR methods under standardized conditions. The dataset, generation pipeline, and evaluation code are publicly available.
- Abstract（参考訳）: プライバシ保護人間活動認識(HAR)に関する既存の研究は、通常、バイナリパラダイム(クリアビデオと単一のプライバシ変換)に対する方法を評価する。
これにより、メソッド間の互換性が制限され、プライバシの強度と認識ユーティリティの微妙な関係が曖昧になる。
我々は、ビデオベースのアクション認識において、textit{Privacy-Utility Trade-off} の評価を標準化するために設計されたマルチ層ベンチマークデータセットである \textit{PrivHAR-Bench} を紹介する。
PrivHAR-Benchは、軽量空間難読化から暗号ブロック置換、人間の調音多様性のために選択された15のアクティビティクラスのキュレートされたサブセットまで、視覚的プライバシ変換の段階的なスペクトルを適用している。
1,932のソースビデオはそれぞれ、プライバシーの強みを増す9つの並列層に分散され、背景から取り除かれた変種は、人間の動きの特徴の寄与を文脈的シーンバイアスから分離する。
我々は、損失のないフレームシーケンス、フレーム単位のバウンディングボックス、共同レベルの信頼度スコアを持つ推定ポーズキーポイント、標準化されたグループベーストレイン/テストスプリット、および評価ツールキットによる認識精度とプライバシメトリクスを提供する。
R3D-18を用いた実証検証は、階層間の測定可能かつ解釈可能な劣化曲線を示し、内部の精度は88.8\%(クリア)から53.5\%(暗号化、バックグラウンド削除)に低下し、クロスドメインの精度は4.8\%に崩壊し、標準化された条件下でのプライバシー保護HARメソッドを比較するための制御ベンチマークとしてPrivHAR-Benchが確立された。
データセット、生成パイプライン、評価コードが公開されている。
関連論文リスト
- CityGuard: Graph-Aware Private Descriptors for Bias-Resilient Identity Search Across Urban Cameras [16.147944008359957]
CityGuardは、分散型監視におけるプライバシー保護ID検索のためのトポロジ対応トランスフォーマーである。
分散適応計量学習器は、特徴展開に応じてインスタンスレベルのマージンを調整し、クラス内コンパクト性を高める。
プライベート埋め込みマップは、セキュアでコスト効率の良いデプロイメントをサポートするために、コンパクトな近似インデックスと結合される。
論文 参考訳（メタデータ） (2026-02-20T08:00:17Z) - Differential Privacy for Transformer Embeddings of Text with Nonparametric Variational Information Bottleneck [5.4924740564381125]
本稿では,変換器埋め込みのノイズの多いバージョンを共有することで,テキストデータを共有するためのプライバシ保護手法を提案する。
非パラメトリック変分プライバシー(NVDP)は、有用なデータ共有と強力なプライバシー保護の両方を保証する。
一般言語理解評価(GLUE)ベンチマークでNVDPを検証した結果,ノイズレベルの変化は,プライバシと精度のトレードオフとして有用であることがわかった。
論文 参考訳（メタデータ） (2026-01-05T17:49:39Z) - Privacy on the Fly: A Predictive Adversarial Transformation Network for Mobile Sensor Data [32.36355095752335]
本稿では,歴史的信号を利用したリアルタイムなプライバシ保護フレームワークを提案し,対人的摂動を積極的に生成する。
2つのデータセットの実験では、PATNはプライバシ推論モデルのパフォーマンスを著しく低下させる。
論文 参考訳（メタデータ） (2025-11-10T15:57:17Z) - Accuracy-First Rényi Differential Privacy and Post-Processing Immunity [11.418000446867135]
精度優先の観点からの既存の研究は、後処理免疫として知られる差分プライバシーの重要な特性を無視している。
後処理免疫を有するR'enyi差分プライバシーに基づく新しい定義を提案する。
論文 参考訳（メタデータ） (2025-09-26T11:27:36Z) - Urania: Differentially Private Insights into AI Use [102.27238986985698]
$Urania$は、クラスタリング、パーティション選択、ヒストグラムベースの要約といったDPツールを活用することによって、エンドツーエンドのプライバシ保護を提供する。
結果は、厳密なユーザのプライバシを維持しながら、意味のある会話の洞察を抽出するフレームワークの能力を示している。
論文 参考訳（メタデータ） (2025-06-05T07:00:31Z) - Activity Recognition on Avatar-Anonymized Datasets with Masked Differential Privacy [64.32494202656801]
プライバシを保存するコンピュータビジョンは、機械学習と人工知能において重要な問題である。
本稿では,ビデオデータセット中の感性のある被験者を文脈内の合成アバターに置き換える匿名化パイプラインを提案する。
また、匿名化されていないがプライバシーに敏感な背景情報を保護するため、MaskDPを提案する。
論文 参考訳（メタデータ） (2024-10-22T15:22:53Z) - Mixed Differential Privacy in Computer Vision [133.68363478737058]
AdaMixは、プライベートとパブリックの両方の画像データを使用して、ディープニューラルネットワーク分類器をトレーニングするための適応型微分プライベートアルゴリズムである。
プライベートデータを無視する数ショットあるいはゼロショットの学習ベースラインは、大規模なプライベートデータセットの微調整よりも優れています。
論文 参考訳（メタデータ） (2022-03-22T06:15:43Z) - Partial sensitivity analysis in differential privacy [58.730520380312676]
それぞれの入力特徴が個人のプライバシ損失に与える影響について検討する。
プライベートデータベース上でのクエリに対する我々のアプローチを実験的に評価する。
また、合成データにおけるニューラルネットワークトレーニングの文脈における知見についても検討する。
論文 参考訳（メタデータ） (2021-09-22T08:29:16Z) - Robustness Threats of Differential Privacy [70.818129585404]
我々は、いくつかの設定で差分プライバシーをトレーニングしたネットワークが、非プライベートバージョンに比べてさらに脆弱であることを実験的に実証した。
本研究では,勾配クリッピングや雑音付加などのニューラルネットワークトレーニングの主成分が,モデルの堅牢性に与える影響について検討する。
論文 参考訳（メタデータ） (2020-12-14T18:59:24Z)
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。