Fugu-MT 論文翻訳(概要): diffGHOST: Diffusion based Generative Hedged Oblivious Synthetic Trajectories

論文の概要: diffGHOST: Diffusion based Generative Hedged Oblivious Synthetic Trajectories

arxiv url: http://arxiv.org/abs/2605.10647v1
Date: Mon, 11 May 2026 14:33:47 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-12 23:28:50.900744
Title: diffGHOST: Diffusion based Generative Hedged Oblivious Synthetic Trajectories
Title（参考訳）: diffGHOST:拡散に基づくHedged Oblivious Synthetic Trajectory
Authors: Florent Guépin, Cheick Tidiani Cisse, Denis Renaud, François Bidet, Arnaud Legendre,
Abstract要約: 本稿では,遅延空間分割に基づく条件拡散モデルdiffGHOSTを紹介する。本稿では,学習潜伏空間の条件セグメントを用いて,臨界サンプルの同定と記憶を行う手法を提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Trajectories are nowadays valuable information for a wide range of applications. However they are also inherently sensitive, as they contain highly personal information about individuals. Facing this challenge, synthesizing mobility trajectories has emerged as a promising solution to leverage mobility information while preserving privacy. State-of-the-art models, often rely on the false assumptions of generative models implicit privacy and fails to provide privacy guarantees while preserving trajectories utility. Here, we introduce diffGHOST, a conditional diffusion model based on latent space segmentation, designed to answer this challenge. Thus, this paper propose a methodology that identify and mitigate memorization of critical samples using condition segments of a learn latent space.
Abstract（参考訳）: トラジェクトリは、現在、広範囲のアプリケーションに有用な情報である。しかし、それらは個人に関する非常に個人的な情報を含むため、本質的には敏感である。この課題に直面したモビリティトラジェクトリの合成は、プライバシーを維持しながらモビリティ情報を活用するための有望なソリューションとして現れてきた。最先端のモデルは、しばしば生成モデルの誤った仮定に頼り、プライバシーを隠蔽し、トラジェクトリのユーティリティを保持しながらプライバシの保証を提供しない。本稿では,この課題に対処するために,遅延空間分割に基づく条件拡散モデルdiffGHOSTを紹介する。そこで本研究では,学習潜伏空間の条件セグメントを用いて,臨界サンプルの記憶を識別・緩和する手法を提案する。

関連論文リスト

Neural Gate: Mitigating Privacy Risks in LVLMs via Neuron-Level Gradient Gating [71.55435880263238]
ニューラルゲート(Neural Gate)は,ニューロンレベルのモデル編集によってプライバシリスクを軽減する新しい手法である。本手法は,プライバシ関連質問に対する拒否率を高めることにより,モデルのプライバシ保護を改善する。
論文参考訳（メタデータ） (2026-03-13T03:03:20Z)
CLOAK: Contrastive Guidance for Latent Diffusion-Based Data Obfuscation [6.2048266436284605]
データ難読化は、半信頼できる当事者による属性推論攻撃を軽減し、センサーが出力する時系列データにアクセスするための有望な手法である。潜在拡散モデルに基づく新しいデータ難読化フレームワークであるClakを提案する。従来の研究とは対照的に,非交叉表現を抽出するためにコントラスト学習を用い,個人情報を隠蔽しながら有用な情報を保持するために潜伏拡散過程を導出する。
論文参考訳（メタデータ） (2025-12-12T23:30:43Z)
RL-Finetuned LLMs for Privacy-Preserving Synthetic Rewriting [17.294176570269]
本稿では,複合報酬関数を用いた大規模言語モデル(LLM)を微調整する強化学習フレームワークを提案する。プライバシ報酬は、セマンティックキューと、潜伏表現上の最小スパンニングツリー(MST)から派生した構造パターンを組み合わせる。実験の結果,提案手法はセマンティック品質を劣化させることなく,著者の難読化とプライバシーの指標を大幅に向上させることがわかった。
論文参考訳（メタデータ） (2025-08-25T04:38:19Z)
Privacy-preserving datasets by capturing feature distributions with Conditional VAEs [0.11999555634662634]
条件付き変分オートエンコーダ(CVAE)は、大きな事前学習された視覚基盤モデルから抽出された特徴ベクトルに基づいて訓練される。本手法は, 医用領域と自然画像領域の両方において, 従来のアプローチよりも優れている。結果は、データスカースおよびプライバシに敏感な環境におけるディープラーニングアプリケーションに大きな影響を与える生成モデルの可能性を強調している。
論文参考訳（メタデータ） (2024-08-01T15:26:24Z)
Segue: Side-information Guided Generative Unlearnable Examples for Facial Privacy Protection in Real World [64.4289385463226]
生成不可能な例としては、Segue: Side-information guided Generative unlearnable Exampleを提案する。転送性を向上させるために,真のラベルや擬似ラベルなどの側面情報を導入する。 JPEG圧縮、敵対的トレーニング、およびいくつかの標準的なデータ拡張に抵抗することができる。
論文参考訳（メタデータ） (2023-10-24T06:22:37Z)
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)
Differentially Private Synthetic Data Generation via Lipschitz-Regularised Variational Autoencoders [3.7463972693041274]
生成モデルが個々のトレーニング記録の多くの詳細を記憶する傾向があることは、しばしば見落とされがちである。本稿では,生成モデルにおける本質を直接活用するデータ生成手法について検討する。
論文参考訳（メタデータ） (2023-04-22T07:24:56Z)
Private Set Generation with Discriminative Information [63.851085173614]
異なるプライベートなデータ生成は、データプライバシの課題に対する有望な解決策である。既存のプライベートな生成モデルは、合成サンプルの有用性に苦慮している。我々は,最先端アプローチのサンプルユーティリティを大幅に改善する,シンプルで効果的な手法を提案する。
論文参考訳（メタデータ） (2022-11-07T10:02:55Z)
Evidential Sparsification of Multimodal Latent Spaces in Conditional Variational Autoencoders [63.46738617561255]
訓練された条件付き変分オートエンコーダの離散潜時空間をスパース化する問題を考察する。顕在的理論を用いて、特定の入力条件から直接証拠を受け取る潜在クラスを特定し、そうでないクラスをフィルタリングする。画像生成や人間の行動予測などの多様なタスクの実験により,提案手法の有効性を実証した。
論文参考訳（メタデータ） (2020-10-19T01:27:21Z)
Hide-and-Seek Privacy Challenge [88.49671206936259]
NeurIPS 2020 Hide-and-Seek Privacy Challengeは、両方の問題を解決するための新しい2トラックの競争だ。我々の頭から頭までのフォーマットでは、新しい高品質な集中ケア時系列データセットを用いて、合成データ生成トラック(「ヒッシャー」)と患者再識別トラック(「シーカー」)の参加者が直接対決する。
論文参考訳（メタデータ） (2020-07-23T15:50:59Z)

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。