論文の概要: Protecting and Preserving Protest Dynamics for Responsible Analysis
- arxiv url: http://arxiv.org/abs/2604.05256v1
- Date: Mon, 06 Apr 2026 23:46:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-08 17:42:09.532064
- Title: Protecting and Preserving Protest Dynamics for Responsible Analysis
- Title（参考訳）: 責任分析のためのテストダイナミクスの保護と保存
- Authors: Cohen Archbold, Usman Hassan, Nazmus Sakib, Sen-ching Cheung, Abdullah-Al-Zubaer Imran,
- Abstract要約: 抗議関連のソーシャルメディアデータは、集団行動を理解するのに有用であるが、監視、抑圧、個人のプライバシーに関する懸念から本質的にリスクが高い。
本稿では、個人のプライバシーに対するリスクを低減しつつ、集団抗議のダイナミクスを分析するための責任あるコンピューティングフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 2.194367574904039
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Protest-related social media data are valuable for understanding collective action but inherently high-risk due to concerns surrounding surveillance, repression, and individual privacy. Contemporary AI systems can identify individuals, infer sensitive attributes, and cross-reference visual information across platforms, enabling surveillance that poses risks to protesters and bystanders. In such contexts, large foundation models trained on protest imagery risk memorizing and disclosing sensitive information, leading to cross-platform identity leakage and retroactive participant identification. Existing approaches to automated protest analysis do not provide a holistic pipeline that integrates privacy risk assessment, downstream analysis, and fairness considerations. To address this gap, we propose a responsible computing framework for analyzing collective protest dynamics while reducing risks to individual privacy. Our framework replaces sensitive protest imagery with well-labeled synthetic reproductions using conditional image synthesis, enabling analysis of collective patterns without direct exposure of identifiable individuals. We demonstrate that our approach produces realistic and diverse synthetic imagery while balancing downstream analytical utility with reductions in privacy risk. We further assess demographic fairness in the generated data, examining whether synthetic representations disproportionately affect specific subgroups. Rather than offering absolute privacy guarantees, our method adopts a pragmatic, harm-mitigating approach that enables socially sensitive analysis while acknowledging residual risks.
- Abstract（参考訳）: 抗議関連のソーシャルメディアデータは、集団行動を理解するのに有用であるが、監視、抑圧、個人のプライバシーに関する懸念から本質的にリスクが高い。
現代のAIシステムは、個人を特定し、センシティブな属性を推測し、プラットフォーム間の相互参照視覚情報を識別し、抗議者や傍観者に危険をもたらす監視を可能にする。
このような文脈において、大規模な基盤モデルは、抗議のイメージを記憶し、機密情報を開示するリスクを負い、クロスプラットフォームのID漏洩と遡及的識別につながる。
既存の自動抗議分析のアプローチでは、プライバシーリスク評価、下流分析、公平性を考慮した全体的パイプラインは提供されていない。
このギャップに対処するために、個別のプライバシーに対するリスクを低減しつつ、集団的抗議運動を解析するための責任ある計算フレームワークを提案する。
本フレームワークは, 識別された個人を直接曝露することなく, 集団パターンを解析可能な条件付き画像合成により, 感度の高い抗議画像と良好なラベル付き合成再生に置き換える。
提案手法は、下流分析ユーティリティとプライバシーリスクの低減とのバランスを保ちながら、現実的で多様な合成画像を生成することを実証する。
さらに、合成表現が特定のサブグループに不均等に影響を及ぼすかどうかを検証して、生成したデータの人口統計学的公正性を評価する。
絶対的なプライバシー保証を提供するのではなく、社会に敏感な分析を可能とし、残余リスクを認めながら、実用的で害を軽減できるアプローチを採用する。
関連論文リスト
- Privacy-Aware Camera 2.0 Technical Report [48.075034699787004]
物理脱感化、暗号化、難読化など、既存のプライバシー保護アプローチは、セマンティック理解を損なうことが多い。
本稿では,AI Flowパラダイムと協調エッジクラウドアーキテクチャに基づく,新たなプライバシ保護認知フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-05T03:46:20Z) - SIDeR: Semantic Identity Decoupling for Unrestricted Face Privacy [53.75084833636302]
本稿では,非制限顔プライバシー保護のためのセマンティックデカップリング駆動フレームワークSIDeRを提案する。
SIDeRは、顔画像をマシン認識可能な識別特徴ベクトルと視覚的に知覚可能なセマンティックな外観成分に分解する。
認証されたアクセスのために、SIDeRは正しいパスワードが提供されるときに元の形式に復元できる。
論文 参考訳（メタデータ） (2026-02-04T19:30:48Z) - A Real-Time Privacy-Preserving Behavior Recognition System via Edge-Cloud Collaboration [45.24567063896216]
従来のRGB監視は、視覚記録と記憶に関する重要な懸念を提起する。
既存のプライバシー保護手法は意味理解能力を損なうか、あるいは再構成攻撃に対する数学的不可逆性を保証できない。
本研究では,AI Flow理論フレームワークとエッジクラウド協調アーキテクチャに基づく,新たなプライバシ保護型認識技術を提案する。
論文 参考訳（メタデータ） (2026-01-30T12:55:36Z) - Rethinking Anonymity Claims in Synthetic Data Generation: A Model-Centric Privacy Attack Perspective [18.404146545866812]
合成データを生成するための生成機械学習モデルを訓練することは、データ共有におけるプライバシーを高めるための一般的なアプローチとなっている。
これは一般的に機密性の高い個人情報を処理するため、トレーニングされたモデルまたは生成された合成匿名性は、プライバシー上のリスクを生じさせる可能性がある。
有意義な評価は、基礎となる生成モデルの能力と特性を考慮し、最先端のプライバシ攻撃に基礎を置く必要がある、と我々は主張する。
論文 参考訳（メタデータ） (2026-01-30T00:57:41Z) - Single-Pixel Vision-Language Model for Intrinsic Privacy-Preserving Behavioral Intelligence [55.512671026669516]
安全な環境モニタリングを再現する新しいフレームワークSP-VLM(Single-Pixel Vision-Language Model)を提案する。
それは本質的に低次元の1ピクセルのモダリティを通して人間のダイナミクスを捉えることによって、固有のプライバシ・バイ・デザインを実現する。
いずれにせよ,SP-VLMは意味ある行動意味を抽出し,ロバストな異常検出,数え方,行動理解を可能にしている。
論文 参考訳（メタデータ） (2026-01-21T09:11:26Z) - 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) - 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) - Intermediate Outputs Are More Sensitive Than You Think [3.20091188522012]
本稿では、自由度(DoF)と中間出力の感度に基づいて、深層コンピュータビジョンモデルにおけるプライバシーリスクを測定する新しいアプローチを提案する。
本研究では,各層に保持される情報量を評価するためにDoFを利用するフレームワークを提案し,これをヤコビ行列のランクと組み合わせて入力変動に対する感度を評価する。
論文 参考訳（メタデータ） (2024-12-01T06:40:28Z) - Proactive Pseudo-Intervention: Causally Informed Contrastive Learning
For Interpretable Vision Models [103.64435911083432]
PPI(Proactive Pseudo-Intervention)と呼ばれる新しい対照的な学習戦略を提案する。
PPIは、因果関係のない画像の特徴を保護するために積極的に介入する。
また,重要な画像画素を識別するための,因果的に通知された新たなサリエンスマッピングモジュールを考案し,モデル解釈の容易性を示す。
論文 参考訳（メタデータ） (2020-12-06T20:30:26Z) - Systematic Evaluation of Privacy Risks of Machine Learning Models [41.017707772150835]
メンバーシップ推論攻撃に対する事前の取り組みは、プライバシーリスクを著しく過小評価する可能性があることを示す。
まず、既存の非ニューラルネットワークベースの推論攻撃を改善することで、メンバーシップ推論のプライバシリスクをベンチマークする。
次に、プライバシリスクスコアと呼ばれる新しい指標を定式化し、導出することで、詳細なプライバシ分析のための新しいアプローチを導入する。
論文 参考訳（メタデータ） (2020-03-24T00:53:53Z)
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。