論文の概要: Privatar: Scalable Privacy-preserving Multi-user VR via Secure Offloading

• arxiv url: http://arxiv.org/abs/2604.17476v1
• Date: Sun, 19 Apr 2026 15:07:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.545211
• Title: Privatar: Scalable Privacy-preserving Multi-user VR via Secure Offloading
• Title（参考訳）: Privatar: セキュアオフロードによるスケーラブルなプライバシ保護マルチユーザVR
• Authors: Jianming Tong, Hanshen Xiao, Krishna Kumar Nair, Hao Kang, Ashish Sirasao, Ziqi Zhang, G. Edward Suh, Tushar Krishna,
• Abstract要約: 同じローカルネットワーク内で,ヘッドセットからデバイスへのアバター再構築をオフロードするフレームワークであるPrivatarを導入する。 Privatarの重要な洞察は、ドメイン固有のアバター再構成の知識は、最小限のコストで、確実にプライベートなオフロードを可能にすることである。 Meta Quest Proでは、Privatarは2.37倍のコンカレントユーザをサポートする。
• 参考スコア（独自算出の注目度）: 24.44200697506051
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-user virtual reality enables immersive interaction. However, rendering avatars for numerous participants on each headset incurs prohibitive computational overhead, limiting scalability. We introduce a framework, Privatar, to offload avatar reconstruction from headset to untrusted devices within the same local network while safeguarding attacks against adversaries capable of intercepting offloaded data. Privatar's key insight is that domain-specific knowledge of avatar reconstruction enables provably private offloading at minimal cost. (1) System level. We observe avatar reconstruction is frequency-domain decomposable via BDCT with negligible quality drop, and propose Horizontal Partitioning (HP) to keep high-energy frequency components on-device and offloads only low-energy components. HP offloads local computation while reducing information leakage to low-energy subsets only. (2) Privacy level. For individually offloaded, multi-dimensional signals without aggregation, worst-case local Differential Privacy requires prohibitive noise, ruining utility. We observe users' expression statistical distribution are slowly changing over time and trackable online, and hence propose Distribution-Aware Minimal Perturbation. DAMP minimizes noise based on each user's expression distribution to significantly reduce its effects on utility, retaining formal privacy guarantee. Combined, HP provides empirical privacy against expression identification attacks. DAMP further augments it to offer a formal guarantee against arbitrary adversaries. On a Meta Quest Pro, Privatar supports 2.37x more concurrent users at 6.5% higher reconstruction loss and 9% energy overhead, providing a better throughout-loss Pareto frontier over quantization, sparsity and local construction baselines. Privatar provides both provable privacy guarantee and stays robust against both empirical and NN-based attacks.
• Abstract（参考訳）: マルチユーザーバーチャルリアリティーは没入型インタラクションを可能にする。 しかし、各ヘッドセット上で多数の参加者のアバターをレンダリングすると、計算オーバーヘッドが禁止され、スケーラビリティが制限される。 我々は、同じローカルネットワーク内の信頼できないデバイスにヘッドセットからアバターをオフロードするフレームワーク、Privatarを導入し、オフロードされたデータを傍受できる敵に対する攻撃を防御する。 Privatarの重要な洞察は、ドメイン固有のアバター再構成の知識は、最小限のコストで、確実にプライベートなオフロードを可能にすることである。 1)システムレベル。 我々は,高エネルギー周波数成分をデバイス上に保持し,低エネルギー成分のみをオフロードする水平分割(HP)を提案する。 HPはローカル計算をオフロードし、低エネルギーサブセットにのみ情報漏洩を減らす。 2)プライバシーレベル。 個別にオフロードされた、アグリゲーションのない多次元信号の場合、最悪ケースのローカル差分プライバシーは禁止ノイズを必要とし、実用性を台無しにする。 ユーザの表現の統計分布が時間とともに徐々に変化し、オンラインで追跡可能になっているのを観察し、それ故に分散意識の最小摂動を提案する。 DAMPは、各ユーザの表現分布に基づいてノイズを最小限に抑え、実用性への影響を著しく低減し、正式なプライバシー保証を維持する。 HPは、表現識別攻撃に対する経験的なプライバシーを提供する。 DAMPはさらに、任意の敵に対して正式な保証を提供するように拡張している。 Meta Quest Proでは、Privatarは2.37倍のコンカレントユーザを6.5%高いリコンストラクション損失と9%のエネルギーオーバーヘッドでサポートしている。 Privatarは、証明可能なプライバシ保証を提供すると同時に、経験的およびNNベースの攻撃に対して堅牢である。

関連論文リスト

• Concept-Aware Privacy Mechanisms for Defending Embedding Inversion Attacks [7.044221462918645]
  既存の差分プライバシー防衛は、埋め込み次元にわたって均一な感度を仮定し、過度なノイズと劣化した実用性をもたらす。 テキスト埋め込みにおける概念固有のプライバシ保護のための,ユーザ中心のフレームワークであるSPARSEを提案する。
  論文  参考訳（メタデータ） (2026-02-06T09:28:55Z)
• Cooperative Local Differential Privacy: Securing Time Series Data in Distributed Environments [5.982082746731629]
  本稿では,複数のユーザに対してノイズベクトルを分散させることにより,プライバシを高める,協調的局所微分プライバシー(CLDP)機構を提案する。 提案手法では、ノイズが協調的に生成され、全てのユーザのデータが集約されると、個々のプライバシーを保護しながら、全体の統計特性を保存することをキャンセルする。
  論文  参考訳（メタデータ） (2025-11-12T19:52:03Z)
• PrivAR: Real-Time Privacy Protection for Location-Based Augmented Reality Applications [5.9049896608422285]
  Pok'emon Goのような位置情報ベースの拡張現実(LB-AR)アプリケーションは、秒未満のGPS更新をストリームする。 PrivARはリアルタイムLB-ARのための最初のクライアントサイドプライバシフレームワークである。
  論文  参考訳（メタデータ） (2025-08-04T16:02:10Z)
• Machine Learning with Privacy for Protected Attributes [56.44253915927481]
  差分プライバシー(DP)の定義を洗練し、機能差分プライバシー(FDP)と呼ばれるより汎用的で柔軟なフレームワークを作成する。 私たちの定義はシミュレーションに基づいており、プライバシの追加/削除と置き換えの両方が可能で、保護された機能と非保護された機能の任意の分離を処理できます。 各種機械学習タスクにフレームワークを適用し,パブリック機能が利用可能であればDP学習モデルの実用性を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2025-06-24T17:53:28Z)
• 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)
• RecUP-FL: Reconciling Utility and Privacy in Federated Learning via User-configurable Privacy Defense [9.806681555309519]
  フェデレートラーニング(FL)は、クライアントがプライベートデータを共有せずに、協力的にモデルをトレーニングすることを可能にする。 近年の研究では、共有勾配によってプライベート情報が漏洩する可能性があることが示されている。 本稿では、ユーザ指定の機密属性により焦点を絞ることができる、ユーザ設定可能なプライバシ保護(RecUP-FL)を提案する。
  論文  参考訳（メタデータ） (2023-04-11T10:59:45Z)
• 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)
• Privacy-Preserving Face Recognition with Learnable Privacy Budgets in Frequency Domain [77.8858706250075]
  本稿では,周波数領域における差分プライバシーを用いたプライバシ保護顔認証手法を提案する。 本手法はいくつかの古典的顔認証テストセットで非常によく機能する。
  論文  参考訳（メタデータ） (2022-07-15T07:15:36Z)
• Large-Scale Privacy-Preserving Network Embedding against Private Link Inference Attacks [12.434976161956401]
  プライバシ保護ネットワークがプライベートリンク推論攻撃に対して組み込まれるという,新たな問題に対処する。 本稿では,リンクの追加や削除によるオリジナルのネットワークの摂動について提案する。また,この摂動ネットワーク上で発生した埋め込みは,プライベートリンクに関する情報をほとんど漏らすことなく,様々な下流タスクに高いユーティリティを保持することができることを期待する。
  論文  参考訳（メタデータ） (2022-05-28T13:59:39Z)
• 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。