論文の概要: From Measurement to Mitigation: Quantifying and Reducing Identity Leakage in Image Representation Encoders with Linear Subspace Removal

• arxiv url: http://arxiv.org/abs/2604.05296v1
• Date: Tue, 07 Apr 2026 01:03:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.553428
• Title: From Measurement to Mitigation: Quantifying and Reducing Identity Leakage in Image Representation Encoders with Linear Subspace Removal
• Title（参考訳）: 計測から緩和へ:線形部分空間除去を用いた画像表現エンコーダにおけるアイデンティティリークの定量化と低減
• Abstract要約: 擬似認識率の低い開集合検証を報告する視覚埋め込みのベンチマークと、推定されたアイデンティティ部分空間を除去する1ショット線形プロジェクタを提案する。 CelebA-20 と VGGFace2 全体では、これらのエンコーダは開集合線形プローブの下で堅牢であることを示す。 この結果から,非FRエンコーダの顔認証監査を初めて実施した。
• 参考スコア（独自算出の注目度）: 9.492715910999749
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Frozen visual embeddings (e.g., CLIP, DINOv2/v3, SSCD) power retrieval and integrity systems, yet their use on face-containing data is constrained by unmeasured identity leakage and a lack of deployable mitigations. We take an attacker-aware view and contribute: (i) a benchmark of visual embeddings that reports open-set verification at low false-accept rates, a calibrated diffusion-based template inversion check, and face-context attribution with equal-area perturbations; and (ii) propose a one-shot linear projector that removes an estimated identity subspace while preserving the complementary space needed for utility, which for brevity we denote as the identity sanitization projection ISP. Across CelebA-20 and VGGFace2, we show that these encoders are robust under open-set linear probes, with CLIP exhibiting relatively higher leakage than DINOv2/v3 and SSCD, robust to template inversion, and are context-dominant. In addition, we show that ISP drives linear access to near-chance while retaining high non-biometric utility, and transfers across datasets with minor degradation. Our results establish the first attacker-calibrated facial privacy audit of non-FR encoders and demonstrate that linear subspace removal achieves strong privacy guarantees while preserving utility for visual search and retrieval.
• Abstract（参考訳）: 凍結した視覚埋め込み(例えば、CLIP、DINOv2/v3、SSCD) 電力検索と整合性システムであるが、顔を含むデータへの使用は、未測定のIDリークとデプロイ可能な緩和の欠如によって制限される。 我々はアタッカー対応の視点を採り、貢献する。 一 虚偽受容率の低い開集合検証、校正拡散型テンプレート逆転チェック、等領域摂動による対面帰属を報告した視覚埋め込みのベンチマーク (II) ユーティリティに必要な補空間を保ちながら、推定されたアイデンティティ部分空間を除去する一発線形プロジェクタを提案する。 CLIP は DINOv2/v3 や SSCD よりも比較的高いリーク率を示し,テンプレートの逆転に対して堅牢であり,文脈に優越している。 さらに,ISPは非バイオメトリックなユーティリティを保ちながら,ニアチャンスへの線形アクセスを駆動し,小さな劣化を伴うデータセット間での転送を行うことを示す。 本研究は,非FRエンコーダの攻撃校正による顔のプライバシ監査を初めて確立し,ビジュアル検索と検索に有効性を保持しつつ,線形部分空間削除が強力なプライバシー保証を実現することを示した。

関連論文リスト

• Open-Set Visual Text Forensics via Sparse-Constraint Rectified Flow [11.434432702589868]
  ジェネレーティブAIは、現在の法医学的検出をますます回避する高度なビジュアルテキスト操作を可能にする。 本稿では,検索画像と正確な視覚テキスト統計とを一致させるのに必要な局所的修復コストを推定し,タンパリングを局所化する生成検出器を提案する。 本手法は,F1 と IoU の3.2 と 4.8 をそれぞれ上回り,最先端性能を達成する。
  論文  参考訳（メタデータ） (2026-08-03T14:03:27Z)
• REAL-OW: Rehearsal-free Open World Object Detection with Low-Rank Adaptation and Dual-Stage Objectness Modeling [56.888597798431704]
  Open-World Object Detection (OWOD) では、未確認のオブジェクトを未知のものとして識別し、それを既知のカテゴリのセットにインクリメンタルに組み込む必要がある。 既存のフレームワークは、破滅的な忘れを緩和するために、模範的なリプレイに大きく依存しているが、実際のアプリケーションでは、データアクセス制限との生データ競合を保存し、データ露出のリスクをもたらす。 協調的なアダプタアーキテクチャを通じて段階的な知識を分離する新しいリハーサルフリーフレームワークであるREAL-OWを提案する。
  論文  参考訳（メタデータ） (2026-07-03T06:38:54Z)
• SA-LIVO: Efficient LiDAR-Inertial-Visual Odometry with Subspace-Aware Degeneracy Handling [23.881618454598122]
  LiDAR-visual-inertial odometry (LIVO)は、精密な幾何学的深さと相補的な視覚的計測を融合する。 既存の対策は、モダリティレベルで動作し、関節情報行列の方向依存構造を未調整のまま残す。 方向選択的融合と情報効率の高い処理によってこれらの制約に対処するLiDAR-Iertial-visual odometryシステムであるSA-LIVOを提案する。
  論文  参考訳（メタデータ） (2026-06-24T11:13:58Z)
• Where to Refine, When to Stop: Rethinking Redundancy via Latent Discrepancy for Efficient Visual Autoregressive Generation [50.139984798361375]
  遅延不一致による冗長性を除去する学習自由フレームワークを提案する。 LD-Pruningは、Infinity-8Bの最大2.35倍のスピードアップを実現し、高い生成品質を維持しながら推論を大幅に削減する。
  論文  参考訳（メタデータ） (2026-05-29T19:34:39Z)
• LightSplit: Practical Privacy-Preserving Split Learning via Orthogonal Projections [54.51153206716027]
  Split Learning(SL)は、ニューラルネットワークをクライアントと中央サーバに分割することで、協調的なトレーニングを可能にする。 カット層に軽量な固定ランダムプロジェクションを適用することにより,情報露出を制限し,通信オーバーヘッドを低減するLightSplitを提案する。 提案手法は, 伝送次元の最大32倍の精度で, 95%以上の精度を維持できることを示した。
  論文  参考訳（メタデータ） (2026-05-13T09:45:49Z)
• Privacy-Aware Video Anomaly Detection through Orthogonal Subspace Projection [14.631956899935721]
  ビデオ異常検出(VAD)システムは、プライバシの懸念を乗り越えながら精度を優先し、現実のデプロイメントに対する適合性を制限していることが多い。 本稿では,タスク非関連な変化を除去し,異常関連キューに着目した表現を生成する軽量モジュールであるOrthogonal Projection Layer (OPL)を提案する。 人物中心のシナリオにおけるプライバシーリスクに対処するために,ポーズや動きなどの識別不能な特徴を保ちながら,顔提示信号からの弱い監視を用いて顔属性を抑えるガイドOPL(G-OPL)を導入する。
  論文  参考訳（メタデータ） (2026-05-09T03:46:39Z)
• Causal Bootstrapped Alignment for Unsupervised Video-Based Visible-Infrared Person Re-Identification [52.784239635604735]
  VVI-ReIDは、静止画像以外にも時間情報が付加的な手がかりを提供する、全日監視のための重要な技術である。 既存のアプローチは、高価なクロスモダリティアノテーションによる完全な教師付き学習に大きく依存しており、スケーラビリティが制限されています。 そこで,本研究では,ビデオの先行を明示的に活用するCausal Bootstrapped Alignmentフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-17T02:15:59Z)
• LACE: Loss-Adaptive Capacity Expansion for Continual Learning [0.0]
  LACE(Loss-Adaptive Capacity Expansion)は、トレーニング中にモデルの表現能力を拡張するオンラインメカニズムである。 LACEはラベルもリプレイバッファも外部コントローラも必要とせず、リソース制約下でのデバイス上での継続的な学習に適している。
  論文  参考訳（メタデータ） (2026-03-30T15:58:33Z)
• Only Whats Necessary: Pareto Optimal Data Minimization for Privacy Preserving Video Anomaly Detection [28.081614331006477]
  ビデオ異常検出(VAD)システムは、ますます重要な安全環境にデプロイされ、正確な検出のために大量のデータを必要とする。 しかし、データは個人識別可能な情報(PII)を含み、顔の手がかりや繊細な人口統計特性を含む。 What's Necessaryだけが、VADのためのプライバシ・バイ・デザインのフレームワークであり、検出パイプラインに露出する視覚情報量とタイプを明示的に制御する。
  論文  参考訳（メタデータ） (2026-03-27T12:26:56Z)
• DELTA: Variational Disentangled Learning for Privacy-Preserving Data Reprogramming [20.87548031005583]
  DELTAは二相変分不整合型生成学習フレームワークである。 フェーズ1では、プライバシの推論性を考慮せずに、ポリシ誘導型強化学習を使用して、下流タスクユーティリティによる特徴変換を検出する。 フェーズIIでは、LSTM seq2seqエンコーダ(英語版)エンコーダ(英語版)を用いて、ユーティリティプライバシの非有線空間設計と、プライバシ信号を抑制するために対角方向の非有線空間正規化を行う。
  論文  参考訳（メタデータ） (2025-08-31T04:18:42Z)
• Backdoor Cleaning without External Guidance in MLLM Fine-tuning [76.82121084745785]
  Believe Your Eyes (BYE)は、アテンションエントロピーパターンを自己教師信号として活用して、バックドアサンプルを特定してフィルタリングするデータフィルタリングフレームワークである。 クリーンタスクのパフォーマンスを維持しながら、ほぼゼロの攻撃成功率を達成する。
  論文  参考訳（メタデータ） (2025-05-22T17:11:58Z)
• UGMAE: A Unified Framework for Graph Masked Autoencoders [67.75493040186859]
  グラフマスク付きオートエンコーダのための統一フレームワークであるUGMAEを提案する。 まず,ノードの特異性を考慮した適応型特徴マスク生成器を開発した。 次に,階層型構造再構成と特徴再構成を併用し,総合的なグラフ情報を取得する。
  論文  参考訳（メタデータ） (2024-02-12T19:39:26Z)
• TeD-SPAD: Temporal Distinctiveness for Self-supervised Privacy-preservation for video Anomaly Detection [59.04634695294402]
  人間の監視のないビデオ異常検出(VAD)は複雑なコンピュータビジョンタスクである。 VADのプライバシー漏洩により、モデルは人々の個人情報に関連する不必要なバイアスを拾い上げ、増幅することができる。 本稿では,視覚的プライベート情報を自己管理的に破壊する,プライバシーに配慮したビデオ異常検出フレームワークTeD-SPADを提案する。
  論文  参考訳（メタデータ） (2023-08-21T22:42:55Z)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)
• RARE: Robust Masked Graph Autoencoder [45.485891794905946]
  Masked graph autoencoder (MGAE) は、有望な自己教師付きグラフ事前学習(SGP)パラダイムとして登場した。 本稿では,ロバストmAsked gRaph autoEncoder (RARE) と呼ばれる新しいSGP手法を提案する。
  論文  参考訳（メタデータ） (2023-04-04T03:35:29Z)
• 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)
• Dual Spoof Disentanglement Generation for Face Anti-spoofing with Depth Uncertainty Learning [54.15303628138665]
  フェース・アンチ・スプーフィング(FAS)は、顔認識システムが提示攻撃を防ぐ上で重要な役割を担っている。 既存のフェース・アンチ・スプーフィング・データセットは、アイデンティティと重要なばらつきが不十分なため、多様性を欠いている。 我々は「生成によるアンチ・スプーフィング」によりこの問題に対処するデュアル・スポット・ディアンタングメント・ジェネレーション・フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-01T15:36:59Z)

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。