論文の概要: See No Evil: Semantic Context-Aware Privacy Risk Detection for AR
- arxiv url: http://arxiv.org/abs/2604.22805v1
- Date: Tue, 14 Apr 2026 04:17:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-04 02:32:14.195006
- Title: See No Evil: Semantic Context-Aware Privacy Risk Detection for AR
- Title（参考訳）: See No Evil: セマンティックなコンテキスト認識によるARのプライバシーリスク検出
- Authors: Jialu Liu, Yao Li, Zhuoheng Li, Huining Li, Ying Chen,
- Abstract要約: 既存のARプライバシーフレームワークには、ビジュアルコンテンツのセマンティックな理解が欠けている。
PrivARは視覚的なシーンキューを使用して、潜在的な機密情報型を推測する。
PrivARはベースラインに比べて精度(81.48%)とF1スコア84.62%)が優れている。
- 参考スコア（独自算出の注目度）: 14.770246116554453
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Augmented reality (AR) systems pose unique privacy risks due to their continuous capture of visual data. Existing AR privacy frameworks lack semantic understanding of visual content, limiting their effectiveness in detecting context-dependent privacy risks. We propose PrivAR, which leverages vision language models (VLMs) with chain-of-thought prompting for contextual privacy risk detection in AR environments. PrivAR uses visual scene cues to infer potential sensitive information types, such as identifying password notes in office environments through contextual reasoning. PrivAR detects and obfuscates textual content, preventing exposure of sensitive information while preserving contextual cues necessary for VLM inference. Additionally, we investigate contextually-informed warning interfaces to enhance user privacy awareness. Experiments on a real-world AR dataset show that PrivAR achieves superior accuracy (81.48%) and F1-score (84.62%) compared to baselines, while reducing privacy leakage rate to 17.58%. User studies evaluating contextually-informed warning interfaces provide insights into effective privacy-aware AR design.
- Abstract（参考訳）: Augmented Reality(AR)システムは、視覚データの連続的なキャプチャにより、ユニークなプライバシーリスクを生じさせる。
既存のARプライバシフレームワークには、視覚的コンテンツのセマンティックな理解がなく、コンテキスト依存のプライバシリスクを検出する上での有効性が制限されている。
本稿では,視覚言語モデル(VLM)とチェーン・オブ・シークレットを利用して,AR環境におけるコンテキストプライバシリスク検出を行うPrivARを提案する。
PrivARは視覚的なシーンキューを使用して、コンテキスト推論を通じてオフィス環境のパスワードノートを識別するなど、潜在的にセンシティブな情報タイプを推測する。
PrivARは、VLM推論に必要なコンテキストキューを保持しながら、センシティブな情報の露出を防止し、テキストの内容を検出し、難読化する。
さらに,ユーザのプライバシー意識を高めるために,コンテキストインフォームド警告インタフェースについて検討する。
現実世界のARデータセットの実験では、PrivARはベースラインよりも精度が81.48%、F1スコアが84.62%、プライバシー漏洩率は17.58%となっている。
コンテキスト的にインフォームドされた警告インターフェースを評価するユーザスタディは、効果的なプライバシ対応AR設計に関する洞察を提供する。
関連論文リスト
- Rethinking Visual Privacy: A Compositional Privacy Risk Framework for Severity Assessment with VLMs [58.7856837806126]
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。
論文 参考訳（メタデータ） (2026-03-23T04:48:42Z) - Beyond Blanket Masking: Examining Granularity for Privacy Protection in Images Captured by Blind and Low Vision Users [23.61740342584077]
リスクの高い個人情報のみを選択的にマスクする、きめ細かいプライバシー保護フレームワークであるFiGPrivを提案する。
提案手法は細粒度セグメンテーションとデータ駆動型リスクスコアリング機構を統合する。
我々は,BIV-Priv-Segデータセットを用いてフレームワークの評価を行い,FiG-Privが+26%の画像コンテンツを保存していることを示す。
論文 参考訳（メタデータ） (2025-08-12T17:56:36Z) - Privacy-Preserving in Connected and Autonomous Vehicles Through Vision to Text Transformation [0.9831489366502302]
本稿では,フィードバックベース強化学習(RL)と視覚言語モデル(VLM)を活用した,新たなプライバシ保護フレームワークを提案する。
イメージを意味論的に等価なテキスト記述に変換し、視覚的プライバシが保持されている間にシーン関連情報が保持されることを保証する。
評価結果は,プライバシ保護とテキスト品質の両方において,大幅な改善が見られた。
論文 参考訳（メタデータ） (2025-06-18T20:02:24Z) - Protecting Users From Themselves: Safeguarding Contextual Privacy in Interactions with Conversational Agents [33.26308626066122]
会話エージェント(LCA)とのユーザインタラクションにおけるコンテキストプライバシの概念を特徴付ける。
これは、ユーザーが意図した目標を達成するのに必要な情報のみを(ベンダー)が開示することを保証することで、プライバシー上のリスクを最小限にすることを目的としている。
本稿では,ユーザとLCA間のローカルデプロイ可能なフレームワークを提案する。
論文 参考訳（メタデータ） (2025-02-22T09:05:39Z) - 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) - PrivacyLens: Evaluating Privacy Norm Awareness of Language Models in Action [54.11479432110771]
PrivacyLensは、プライバシに敏感な種子を表現的なヴィグネットに拡張し、さらにエージェントの軌跡に拡張するために設計された新しいフレームワークである。
プライバシの文献とクラウドソーシングされたシードに基づいて、プライバシの規範のコレクションをインスタンス化する。
GPT-4やLlama-3-70Bのような最先端のLMは、プライバシー強化の指示が出されたとしても、機密情報を25.68%、38.69%のケースでリークしている。
論文 参考訳（メタデータ） (2024-08-29T17:58:38Z) - SPAct: Self-supervised Privacy Preservation for Action Recognition [73.79886509500409]
アクション認識におけるプライバシー漏洩を緩和するための既存のアプローチは、ビデオデータセットのアクションラベルとともに、プライバシラベルを必要とする。
自己教師付き学習(SSL)の最近の進歩は、未ラベルデータの未発見の可能性を解き放ちつつある。
本稿では、プライバシーラベルを必要とせず、自己管理的な方法で、入力ビデオからプライバシー情報を除去する新しいトレーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2022-03-29T02:56:40Z) - Learning With Differential Privacy [3.618133010429131]
異なるプライバシーは、漏洩に対する適切な保護を約束して救助にやってくる。
データの収集時にランダムな応答技術を使用し、より優れたユーティリティで強力なプライバシを保証します。
論文 参考訳（メタデータ） (2020-06-10T02:04:13Z)
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。