Fugu-MT 論文翻訳(概要): Class-Aware Adaptive Differential Privacy in Deep Learning for Sensor-Based Fall Detection

論文の概要: Class-Aware Adaptive Differential Privacy in Deep Learning for Sensor-Based Fall Detection

arxiv url: http://arxiv.org/abs/2605.01679v1
Date: Sun, 03 May 2026 02:34:54 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-05 20:33:49.881669
Title: Class-Aware Adaptive Differential Privacy in Deep Learning for Sensor-Based Fall Detection
Title（参考訳）: センサによる転倒検出のためのディープラーニングにおけるクラスアウェア適応微分プライバシー
Authors: Joydeb Kumar Sana,
Abstract要約: 転倒検出は医療、特に高齢者にとって重要な課題である。従来のプライバシアプローチでは、すべてのトレーニングサンプルに均一なノイズを適用し、予測性能に影響する。本稿では,ハイブリッド3次元畳み込みニューラルネットワークと双方向長短期記憶アーキテクチャを統合したクラスアウェア適応微分プライバシー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）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Fall detection is a critical task in healthcare, particularly for elderly people. Timely fall detection and treatment can prevent severe injuries. Sensor-based activity data can be used to detect fall. However, this data are highly sensitive and raises significant privacy concerns. Existing privacy approaches apply uniform noise across all training samples, which affects the prediction performance. To address this limitation, we propose a Class-Aware Adaptive Differential Privacy (CA-ADP) framework integrated with a hybrid 3D Convolutional Neural Network and Bidirectional Long Short-Term Memory (3D CNN-BiLSTM) architecture. The CA-ADP mechanism dynamically adjusts the magnitude of noise added to gradients based on the class composition of each mini-batch. This process ensures privacy while mitigates performance degradation. We formally analyze the $(ε,δ)$-Differential Privacy guarantee and provide a privacy-utility trade-off analysis. The proposed method is evaluated on three public benchmark datasets, namely SisFall, UP-Fall, and MobiAct. The experimental results show that the proposed privacy model achieves improvements of 3.3\%, 8.5\%, and 7.5\% over the conventional privacy-based model in terms of F-score for the SisFall, UP-Fall, and MobiAct datasets, respectively. Comparisons with prior studies show that the CA-AD based framework achieves competitive performance and provides formal privacy guarantees, which are largely overlooked in existing studies. Wilcoxon signed-rank tests confirm that the proposed mechanism consistently outperforms conventional differential privacy. Those results establish the proposed CA-ADP framework as an effective approach to privacy-preserving fall detection in real-world healthcare settings.
Abstract（参考訳）: 転倒検出は医療、特に高齢者にとって重要な課題である。タイムリーな転倒の検出と治療は重傷を予防する。センサベースのアクティビティデータは、転倒を検出するために使用することができる。しかし、このデータは極めて敏感であり、プライバシー上の懸念を生じさせる。既存のプライバシーアプローチでは、すべてのトレーニングサンプルに均一なノイズを適用し、予測性能に影響を与える。この制限に対処するために,ハイブリッド3次元畳み込みニューラルネットワークと双方向長短期記憶(3D CNN-BiLSTM)アーキテクチャを統合したクラスアウェア適応微分プライバシー(CA-ADP)フレームワークを提案する。 CA-ADP機構は、各ミニバッチのクラス構成に基づいて勾配に付加される雑音の大きさを動的に調整する。このプロセスは、パフォーマンスの低下を軽減しながら、プライバシを保証する。我々は、正式に$(ε,δ)$-Differential Privacyの保証を分析し、プライバシユーティリティのトレードオフ分析を提供する。提案手法は,SisFall,UP-Fall,MobiActの3つの公開ベンチマークデータセットを用いて評価する。実験の結果,提案したプライバシモデルでは,SisFall,UP-Fall,MobiActの各データセットのFスコアにおいて,従来のプライバシベースモデルよりも3.3\%,8.5\%,7.5\%の改善が達成された。従来の研究と比較すると、CA-ADベースのフレームワークは競争性能を達成し、プライバシの保証を提供する。 Wilcoxonの署名ランクテストでは、提案されたメカニズムが従来の差分プライバシーより一貫して優れていることが確認されている。これらの結果から,現実の医療環境におけるプライバシ保護による転倒検出の効果的なアプローチとして,CA-ADPフレームワークが確立された。

関連論文リスト

FusionDP: Foundation Model-Assisted Differentially Private Learning for Partially Sensitive Features [17.945111987608865]
現実的なシナリオでは、機能のサブセットにのみプライバシ保護が要求される場合がある。従来のDP-SGDは1つのサンプルですべての機能に対してプライバシー保護を強制し、過剰なノイズ注入と大きなユーティリティ劣化を引き起こす。特徴レベルの差分プライバシーの下でモデルユーティリティを向上させる2段階のフレームワークであるFusionDPを提案する。
論文参考訳（メタデータ） (2025-11-05T19:13:10Z)
Evaluation of Differential Privacy Mechanisms on Federated Learning [0.0]
フェデレーション学習は、生データを開示することなく、複数のクライアントに分散される。差分プライバシー(DP)は、モデル更新にノイズを加えることで機密データを保護する技術である。本研究は,Laplace と Gaussian のメカニズムを用いたDP手法を適応的なプライバシー予算で実装する。
論文参考訳（メタデータ） (2025-10-09T11:32:36Z)
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)
GCFL: A Gradient Correction-based Federated Learning Framework for Privacy-preserving CPSS [7.171222892215083]
分散アーキテクチャとしてのフェデレーション学習は,Cyber-Physical-Social Systems (CPSS) のアプリケーションに非常に有望であることを示す。本稿では,サーバ側勾配補正機構を導入することで,厳密なプライバシ保証と精度のバランスをとる,差分プライベート・フェデレーション学習のための新しいフレームワークを提案する。我々は,いくつかのベンチマークデータセット上でフレームワークを評価し,その実験結果から,同一のプライバシ予算下で最先端のパフォーマンスを達成できることを実証した。
論文参考訳（メタデータ） (2025-06-04T06:52:37Z)
$(ε, δ)$-Differentially Private Partial Least Squares Regression [1.8666451604540077]
我々は,モデルに基づくデータのプライバシーを確保するために,$(epsilon, delta)$-differentially private PLS (edPLS)アルゴリズムを提案する。実験により、EDPLSはトレーニングデータに固有の変動源を回復することを目的とした、効果的なプライバシー攻撃を施すことが示されている。
論文参考訳（メタデータ） (2024-12-12T10:49:55Z)
TernaryVote: Differentially Private, Communication Efficient, and Byzantine Resilient Distributed Optimization on Heterogeneous Data [50.797729676285876]
本稿では, 3次圧縮機と多数決機構を組み合わせて, 差分プライバシー, 勾配圧縮, ビザンチンレジリエンスを同時に実現するternaryVoteを提案する。提案アルゴリズムのF差分プライバシー(DP)とビザンチンレジリエンスのレンズによるプライバシー保証を理論的に定量化する。
論文参考訳（メタデータ） (2024-02-16T16:41:14Z)
No Free Lunch in "Privacy for Free: How does Dataset Condensation Help Privacy" [75.98836424725437]
データプライバシを保護するために設計された新しい手法は、慎重に精査する必要がある。プライバシ保護の失敗は検出し難いが,プライバシ保護法を実装したシステムが攻撃された場合,破滅的な結果につながる可能性がある。
論文参考訳（メタデータ） (2022-09-29T17:50:23Z)
A Differentially Private Framework for Deep Learning with Convexified Loss Functions [4.059849656394191]
差分プライバシー(DP)は、基礎となるトレーニングセットのプライバシーを保護するためにディープラーニングに応用されている。既存のDP実践は、客観的摂動、勾配摂動、出力摂動の3つのカテゴリに分類される。本稿では,DPノイズをランダムにサンプリングしたニューロンに注入し,新しい出力摂動機構を提案する。
論文参考訳（メタデータ） (2022-04-03T11:10:05Z)
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)
Privacy Preserving Recalibration under Domain Shift [119.21243107946555]
本稿では,差分プライバシー制約下での校正問題の性質を抽象化する枠組みを提案する。また、新しいリカレーションアルゴリズム、精度温度スケーリングを設計し、プライベートデータセットの事前処理より優れています。
論文参考訳（メタデータ） (2020-08-21T18:43:37Z)
RDP-GAN: A R\'enyi-Differential Privacy based Generative Adversarial Network [75.81653258081435]
GAN(Generative Adversarial Network)は,プライバシ保護の高い現実的なサンプルを生成する能力によって,近年注目を集めている。しかし、医療記録や財務記録などの機密・私的な訓練例にGANを適用すると、個人の機密・私的な情報を漏らしかねない。本稿では、学習中の損失関数の値にランダムノイズを慎重に付加することにより、GAN内の差分プライバシー(DP)を実現するR'enyi-differentially private-GAN(RDP-GAN)を提案する。
論文参考訳（メタデータ） (2020-07-04T09:51:02Z)

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。