論文の概要: Differentially Private Motif-Preserving Multi-modal Hashing

• arxiv url: http://arxiv.org/abs/2605.15460v1
• Date: Thu, 14 May 2026 22:43:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 17:44:16.282954
• Title: Differentially Private Motif-Preserving Multi-modal Hashing
• Title（参考訳）: 異なるプライベートなモチーフ保存型マルチモーダルハッシュ
• Authors: Zehua Cheng, Wei Dai, Jiahao Sun,
• Abstract要約: クロスモーダルハッシュは、画像とテキストをコンパクトなバイナリコードに符号化することで、効率的な検索を可能にする。 既存のプライバシ保護アプローチは、グラフ構造化データでは失敗する。 DMP-MHは、プライバシを表現学習から切り離すサニタイズThen-Distillフレームワークである。
• 参考スコア（独自算出の注目度）: 9.39195684989942
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-modal hashing enables efficient retrieval by encoding images and text into compact binary codes. State-of-the-art methods rely on semantic similarity graphs derived from user interactions for supervision, yet these graphs encode sensitive behavioral patterns vulnerable to link reconstruction attacks. Existing privacy-preserving approaches fail on graph-structured data: Differentially Private SGD destroys relational motifs by treating samples independently, while graph synthesis methods suffer from unbounded local sensitivity in scale-free networks, hub nodes cause single-edge modifications to alter triangle counts by $\mathcal{O}(N)$, necessitating prohibitive noise injection. We term this phenomenon Hubness Explosion. We propose DMP-MH, a Sanitize-then-Distill framework that decouples privacy from representation learning. Our approach first bounds sensitivity by deterministically clipping node degrees, capping the $L_2$-sensitivity of triangle motifs independently of dataset size. A sanitized synthetic graph is then generated via Noisy Mirror Descent under $(ε,δ)$-Edge Differential Privacy. Finally, dual-stream hashing networks distill this topology using a holistic structural loss that enforces cross-modal alignment. Evaluated on MIRFlickr-25K and NUS-WIDE under a strict inductive protocol, DMP-MH outperforms private baselines by up to 11.4 mAP points while retaining up to 92.5% of non-private performance.
• Abstract（参考訳）: クロスモーダルハッシュは、画像とテキストをコンパクトなバイナリコードに符号化することで、効率的な検索を可能にする。 State-of-the-artメソッドは、ユーザインタラクションから派生したセマンティックな類似性グラフに依存しているが、これらのグラフはリコンストラクションアタックのリンクに脆弱な敏感な行動パターンをエンコードする。 差分的プライベートSGDは、サンプルを個別に処理することでリレーショナルモチーフを破壊する一方、グラフ合成手法はスケールのないネットワークにおいて非有界な局所感度に苦しむ一方、ハブノードは、三角形の数を$\mathcal{O}(N)$で変更し、禁止ノイズ注入を必要とする。 私たちはこの現象をハネス爆発と呼ぶ。 本稿では,プライバシを表現学習から切り離した衛生処理フレームワークDMP-MHを提案する。 提案手法はまずノードの次数を決定論的に切り取ることで感度を制限し、データセットサイズとは無関係に三角形のモチーフの$L_2$-sensitivityをカプセル化する。 衛生化された合成グラフは、(ε,δ)$-Edge差分プライバシーの下でノイズミラーDescentを介して生成される。 最後に、二重ストリームハッシュネットワークは、クロスモーダルアライメントを強制する全体的構造損失を用いて、このトポロジーを蒸留する。 MIRFlickr-25KとNUS-WIDEを厳格なインダクティブプロトコルで評価し、DMP-MHはプライベートベースラインを最大11.4mAPで上回り、非プライベートパフォーマンスの92.5%を維持している。

関連論文リスト

• Graph-Based Fraud Detection with Dual-Path Graph Filtering [52.459703746017624]
  グラフデータの不正検出には、異なるタイプのノードを区別する必要がある。 本稿では,デュアルパスグラフフィルタを用いたグラフベースフラッド検出モデルを提案する。 4つの実世界の金融不正検出データセットの実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2026-04-14T20:46:36Z)
• Feature-Aware Anisotropic Local Differential Privacy for Utility-Preserving Graph Representation Learning in Metal Additive Manufacturing [0.4199844472131922]
  金属添加物製造は安全クリティカルな部品の製造を可能にするが、信頼性の高い品質保証は高忠実度センサストリームに依存する。 既存の欠陥検出モデルは、溶岩プールの観測を独立したサンプルとして扱い、層ワイドの物理的結合を無視している。 これらの課題に対処するためにFI-LDP-HGATを提案する。
  論文  参考訳（メタデータ） (2026-04-06T18:29:21Z)
• DPSR: Differentially Private Sparse Reconstruction via Multi-Stage Denoising for Recommender Systems [5.237172334460829]
  ディファレンシャルプライバシは、レコメンデーションシステムでユーザーデータを保護するためのゴールドスタンダードとして登場した。 既存のプライバシー保護メカニズムは、プライバシー予算が厳しくなるにつれ、根本的な課題に直面している。 DPSRは,新しい3段階のデノベーションフレームワークである。
  論文  参考訳（メタデータ） (2025-12-22T00:43:29Z)
• Spectral Graph Clustering under Differential Privacy: Balancing Privacy, Accuracy, and Efficiency [53.98433419539793]
  エッジ差分プライバシー(DP)下におけるスペクトルグラフクラスタリングの問題点について検討する。 具体的には, (i) エッジフリップによるグラフ摂動と, エッジプライバシを強制する隣接行列シャッフルを併用したグラフ摂動, (ii) 次元と複雑性の複雑さを低減するために低次元空間における加法的ガウス雑音を伴うプライベートグラフプロジェクション, (iii) 収束性を維持しながらエッジDPを確保するために反復的にガウス雑音を分散するノイズの多いパワーイテレーション手法である。
  論文  参考訳（メタデータ） (2025-10-08T15:30:27Z)
• Sparse-Inductive Generative Adversarial Hashing for Nearest Neighbor Search [8.020530603813416]
  本稿では,Sparsity-induced Generative Adversarial Hashing (SiGAH)と呼ばれる新しい教師なしハッシュ法を提案する。 SiGAHは、大規模な高次元特徴をバイナリコードにエンコードする。 Tiny100K、GIST1M、Deep1M、MNISTの4つのベンチマーク実験の結果、提案されたSiGAHは最先端のアプローチよりも優れた性能を示している。
  論文  参考訳（メタデータ） (2023-06-12T08:07:23Z)
• Expressive Losses for Verified Robustness via Convex Combinations [67.54357965665676]
  本研究では, 過近似係数と異なる表現的損失に対する性能分布の関係について検討した。 表現性が不可欠である一方で、最悪の場合の損失のより良い近似は、必ずしも優れた堅牢性-正確性トレードオフに結びついていないことを示す。
  論文  参考訳（メタデータ） (2023-05-23T12:20:29Z)
• Heterogeneous Graph Neural Network for Privacy-Preserving Recommendation [25.95411320126426]
  ソーシャルネットワークは、ディープラーニングの技術進歩を伴う異種グラフニューラルネットワーク(HGNN)であると考えられている。 本稿では,HeteDPと呼ばれる差分プライバシー機構に基づく,新しい異種グラフニューラルネットワークのプライバシ保存手法を提案する。
  論文  参考訳（メタデータ） (2022-10-02T14:41:02Z)
• Normalized/Clipped SGD with Perturbation for Differentially Private Non-Convex Optimization [94.06564567766475]
  DP-SGDとDP-NSGDは、センシティブなトレーニングデータを記憶する大規模モデルのリスクを軽減する。 DP-NSGD は DP-SGD よりも比較的チューニングが比較的容易であるのに対して,これらの2つのアルゴリズムは同様の精度を実現する。
  論文  参考訳（メタデータ） (2022-06-27T03:45:02Z)
• Discriminator-Free Generative Adversarial Attack [87.71852388383242]
  生成的ベースの敵攻撃は、この制限を取り除くことができる。 ASymmetric Saliency-based Auto-Encoder (SSAE) は摂動を生成する。 SSAEが生成した敵の例は、広く使われているモデルを崩壊させるだけでなく、優れた視覚的品質を実現する。
  論文  参考訳（メタデータ） (2021-07-20T01:55:21Z)
• Comprehensive Graph-conditional Similarity Preserving Network for Unsupervised Cross-modal Hashing [97.44152794234405]
  教師なしクロスモーダルハッシュ(UCMH)は近年ホットトピックとなっている。 本稿では,dgcpn(deep graph-neighbor coherence preservation network)を考案する。 DGCPNは3種類のデータ類似性を利用して、損失を保存する包括的な類似性を管理する。
  論文  参考訳（メタデータ） (2020-12-25T07:40:59Z)

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。

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。