論文の概要: Position: Embodied AI Requires a Privacy-Utility Trade-off
- arxiv url: http://arxiv.org/abs/2605.05017v1
- Date: Wed, 06 May 2026 15:16:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-07 18:41:07.897767
- Title: Position: Embodied AI Requires a Privacy-Utility Trade-off
- Title（参考訳）: 身近なAIはプライバシーとユーティリティのトレードオフを必要とする
- Authors: Xiaoliang Fan, Jiarui Chen, Zhuodong Liu, Ziqi Yang, Peixuan Xu, Ruimin Shen, Junhui Liu, Jianzhong Qi, Cheng Wang,
- Abstract要約: 次世代エンボディードAI(SPINE)におけるセキュアプライバシ統合を提案する。
SPINEはプライバシを、EAIライフサイクル全体を通して、クロスステージ結合を管理するダイナミックコントロールシグナルとして扱う。
プライバシ制約が下流にどのように伝播してシステム動作を再形成するかを概念的に検証するために,予備シミュレーションと実世界のケーススタディを実施している。
- 参考スコア（独自算出の注目度）: 18.27271917317112
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Embodied AI (EAI) systems are rapidly transitioning from simulations into real-world domestic and other sensitive environments. However, recent EAI solutions have largely demonstrated advancements within isolated stages such as instruction, perception, planning and interaction, without considering their coupled privacy implications in high-frequency deployments where privacy leakage is often irreversible. This position paper argues that optimizing these components independently creates a systemic privacy crisis when deployed in sensitive settings, thereby advancing the position that privacy in EAI is a life cycle-level architectural constraint rather than a stage-local feature. To address these challenges, we propose Secure Privacy Integration in Next-generation Embodied AI (SPINE), a unified privacy-aware framework that treats privacy as a dynamic control signal governing cross-stage coupling throughout the entire EAI life cycle. SPINE decomposes the EAI pipeline into various stages and establishes a multi-criterion privacy classification matrix to orchestrate contextual sensitivity across stage boundaries. We conduct preliminary simulation and real-world case studies to conceptually validate how privacy constraints propagate downstream to reshape system behavior, illustrating the insufficiency of fragmented privacy patches and motivating future research directions into secure yet functional embodied AI systems. We detail the SPINE framework and case studies at https://github.com/rminshen03/EAI_Privacy_Position.
- Abstract（参考訳）: EAI(Embodied AI)システムは、シミュレーションから実世界および他のセンシティブな環境へと急速に移行している。
しかし、近年のEAIソリューションは、プライバシリークがしばしば不可逆である高周波デプロイメントにおいて、それらが組み合わさったプライバシーの影響を考慮せずに、命令、認識、計画、インタラクションといった独立した段階における進歩をほとんど示している。
本稿では,これらのコンポーネントを独立に最適化することで,機密性の高い設定でデプロイされた場合のシステム的プライバシ危機が生じることを論じ,EAIにおけるプライバシは,段階的局所的な機能ではなくライフサイクルレベルのアーキテクチャ制約であるという立場を推し進める。
これらの課題に対処するために、我々は、EAIライフサイクル全体を通して、段階間結合を管理する動的制御信号としてプライバシを扱う統一されたプライバシ認識フレームワークである、次世代Embodied AI(SPINE)におけるセキュアプライバシ統合を提案する。
SPINEは、EAIパイプラインをさまざまなステージに分解し、ステージバウンダリ間のコンテキスト感度をオーケストレーションする、複数基準のプライバシ分類マトリックスを確立する。
我々は、プライバシ制約がシステム動作を再形成するために下流でどのように伝播するかを概念的に検証し、断片化されたプライバシパッチの欠如を指摘し、セキュアで機能的なAIシステムに将来の研究方向を動機付けるために、予備的なシミュレーションと実世界のケーススタディを実施している。
SPINEフレームワークとケーススタディについて、https://github.com/rminshen03/EAI_Privacy_Positionで詳述する。
関連論文リスト
- Differential Privacy in Generative AI Agents: Analysis and Optimal Tradeoffs [22.661656301757663]
大規模言語モデル(LLM)とAIエージェントは、企業システムに統合され、内部データベースにアクセスし、コンテキスト対応の応答を生成する。
このような統合によって生産性と意思決定サポートが向上する一方で、モデル出力は必然的にセンシティブな情報を明らかにする可能性がある。
本稿では,AIエージェントのプライバシー漏洩を差分プライバシーに基づいて解析するための確率的フレームワークを開発する。
論文 参考訳（メタデータ） (2026-03-18T16:35:12Z) - Contextualized Privacy Defense for LLM Agents [84.30907378390512]
LLMエージェントはますますユーザーの個人情報に作用するが、既存のプライバシー保護は設計と適応性の両方において制限されている。
我々は,新たなプライバシ防衛パラダイムであるCDI(Contextualized Defense Instructing)を提案する。
我々のCDIは、ベースラインよりもプライバシー保護(94.2%)と有用性(80.6%)のバランスが良好であることを示します。
論文 参考訳（メタデータ） (2026-03-03T13:35:33Z) - 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) - 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) - Adversary-Aware Private Inference over Wireless Channels [51.93574339176914]
ワイヤレスエッジデバイスにおけるAIベースのセンシングは、人工知能(AI)アプリケーションを大幅に強化する可能性がある。
機密性の高い個人情報は敵によって再構築できるため、プライバシー侵害のリスクを軽減するために特徴の変換が必要である。
本稿では,デバイスがモデルサーバに送信する前に抽出した特徴の変換を適用する,プライバシ保護型AIベースセンシングのための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-23T13:02:14Z) - SynBench: A Benchmark for Differentially Private Text Generation [35.908455649647784]
医療や金融といった高度な分野におけるデータ駆動型意思決定のサポートは、データ共有にとって大きな障壁に直面している。
大規模言語モデルのような最近の生成AIモデルは、オープンドメインタスクにおいて印象的なパフォーマンスを示している。
しかし、彼らのセンシティブな環境への導入は、予測不可能な振る舞いと、プライバシー保護の不十分なデータセットによって制限されている。
論文 参考訳（メタデータ） (2025-09-18T03:57:50Z) - A Novel Approach to Differential Privacy with Alpha Divergence [3.289248622896901]
アルファ・イテレーション・ディファレンシャル・プライバシ(ADP)は,アルファ・ディバイジェンスを基盤とした革新的なプライバシ・フレームワークである。
本研究は、ADPの理論的基盤を概説し、その性能を競合するプライバシーフレームワークと対比する。
提案手法は, プライバシー保護法を著しく改善し, 現代のデータ解析問題に対する柔軟な解決策を提供する。
論文 参考訳（メタデータ） (2025-06-20T14:10:18Z) - Privacy-Preserving Federated Learning with Differentially Private Hyperdimensional Computing [5.667290129954206]
プライバシー保護型フェデレーションハイパー次元コンピューティング(FedHDPrivacy)を提案する。
FedHDPrivacyは、学習ラウンド全体で累積ノイズを監視し、プライバシー制約を満たすために必要な追加ノイズのみを追加する。
FedHDPrivacyは、製造プロセスの監視のための現実世界のアプリケーションであり、標準的なFLフレームワークを超越しながら高性能を維持している。
論文 参考訳（メタデータ） (2024-11-02T05:00:44Z) - 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) - Generative AI for Secure and Privacy-Preserving Mobile Crowdsensing [74.58071278710896]
生成AIは、学術分野と産業分野の両方から多くの注目を集めている。
セキュアでプライバシ保護のモバイルクラウドセンシング(SPPMCS)は、データ収集/取得に広く応用されている。
論文 参考訳（メタデータ） (2024-05-17T04:00:58Z) - A Unified View of Differentially Private Deep Generative Modeling [60.72161965018005]
プライバシー上の懸念のあるデータには、データアクセスとデータ共有を頻繁に禁止する厳格な規制が伴う。
これらの障害を克服することは、プライバシーに敏感なデータを含む多くの現実世界のアプリケーションシナリオにおいて、技術的進歩の鍵となる。
差分的プライベート(DP)データパブリッシングは、データの衛生化された形式のみを公開する、魅力的なソリューションを提供する。
論文 参考訳（メタデータ） (2023-09-27T14:38:16Z)
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。