論文の概要: No Free Lunch for Synthetic Images under Data Scarcity Conditions

• arxiv url: http://arxiv.org/abs/2606.07640v1
• Date: Mon, 01 Jun 2026 12:45:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:05.173478
• Title: No Free Lunch for Synthetic Images under Data Scarcity Conditions
• Title（参考訳）: データスカシティ条件下での合成画像のフリーランチ
• Authors: Borja Arroyo Galende, Alejandro Almodóvar, Patricia A. Apellániz, Juan Parras, Silvia Uribe, Santiago Zazo,
• Abstract要約: 本研究では,データ不足とプライバシ感受性の条件下での合成データ生成における忠実度,プライバシ,ユーティリティのトレードオフについて検討する。 本稿では,これら3つの次元を共同で評価し,VAE,GAN,DDPMの3つの広く利用されている生成モデルに適用する評価フレームワークを提案する。 この評価は、MNIST、OCTMNIST、OrganAMNISTの3つの画像データセットにまたがっており、汎用画像領域と医用画像領域の両方を含んでいる。
• 参考スコア（独自算出の注目度）: 38.510551031367584
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study investigates the trade-offs between fidelity, privacy, and utility in synthetic data generation under conditions of data scarcity and privacy sensitivity. We propose an evaluation framework that jointly assesses these three dimensions and apply it to three widely used generative models, VAE, GAN, and DDPM. The evaluation spans three image datasets, MNIST, OCTMNIST, and OrganAMNIST, encompassing both general-purpose and medical imaging domains. Notable differences arise between the three models in their behaviour when differential privacy mechanisms are introduced during training. GAN and DDPM demonstrate greater robustness, maintaining higher fidelity and downstream utility across a range of noise levels, while VAE degrades more rapidly as privacy constraints increase. This study highlights the importance of a multidimensional evaluation of deep generative models, also noting that their behaviour significantly differs when privacy techniques are applied.
• Abstract（参考訳）: 本研究では,データ不足とプライバシ感受性の条件下での合成データ生成における忠実度,プライバシ,ユーティリティのトレードオフについて検討する。 本稿では,これら3つの次元を共同で評価し,VAE,GAN,DDPMの3つの広く利用されている生成モデルに適用する評価フレームワークを提案する。 この評価は、MNIST、OCTMNIST、OrganAMNISTの3つの画像データセットにまたがっており、汎用画像領域と医用画像領域の両方を含んでいる。 トレーニング中に差分プライバシーメカニズムが導入されたとき、これらの3つのモデルの間に顕著な違いが生じる。 GANとDDPMはより堅牢性を示し、様々なノイズレベルにわたって高い忠実度と下流ユーティリティを維持します。 本研究は, 深部生成モデルの多次元的評価の重要性を強調し, プライバシ技術を適用したときの挙動が著しく異なることを指摘した。

関連論文リスト

• Class-Aware Adaptive Differential Privacy in Deep Learning for Sensor-Based Fall Detection [0.0]
  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。
  論文  参考訳（メタデータ） (2026-05-03T02:34:54Z)
• Balancing Fidelity, Utility, and Privacy in Synthetic Cardiac MRI Generation: A Comparative Study [0.43217519111088665]
  心臓MRI(CMR)の深層学習は、データ不足とプライバシ規制の両方によって根本的に制限されている。 本研究では,拡散確率モデル(DDPM),潜時拡散モデル(LDM),フローマッチング(FM)の3つの生成アーキテクチャをベンチマークする。 生成したデータを3つの重要な軸 – 忠実性,ユーティリティ,プライバシ – で評価する。
  論文  参考訳（メタデータ） (2026-03-04T17:59:00Z)
• 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)
• 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)
• On Differentially Private 3D Medical Image Synthesis with Controllable Latent Diffusion Models [5.966954237899151]
  本研究は, 短軸視における3次元心筋MRI像の課題に対処するものである。 医用属性に条件付き合成画像を生成する潜在拡散モデルを提案する。 UK Biobankデータセットに差分プライバシでモデルを微調整します。
  論文  参考訳（メタデータ） (2024-07-23T11:49:58Z)
• PATE-TripleGAN: Privacy-Preserving Image Synthesis with Gaussian Differential Privacy [4.586288671392977]
  PATE-TripleGANというプライバシ保護トレーニングフレームワークを提案する。 ラベル付きデータへの依存を減らすために、ラベル付きデータの事前分類を行う分類器が組み込まれている。 PATE-TripleGANは、トレーニングデータのプライバシを確保しながら、高品質なラベル付きイメージデータセットを生成することができる。
  論文  参考訳（メタデータ） (2024-04-19T09:22:20Z)
• Shielding the Unseen: Privacy Protection through Poisoning NeRF with Spatial Deformation [59.302770084115814]
  本稿では,Neural Radiance Fields(NeRF)モデルの生成機能に対して,ユーザのプライバシを保護する革新的な手法を提案する。 我々の新しい中毒攻撃法は、人間の目では認識できないが、NeRFが正確に3Dシーンを再構築する能力を損なうのに十分強力である観察ビューの変化を誘発する。 我々は、高品質の画像を含む29の現実世界シーンからなる2つの共通のNeRFベンチマークデータセットに対して、我々のアプローチを広範囲に検証した。
  論文  参考訳（メタデータ） (2023-10-04T19:35:56Z)
• Private, fair and accurate: Training large-scale, privacy-preserving AI models in medical imaging [47.99192239793597]
  我々は,AIモデルのプライバシ保護トレーニングが,非プライベートトレーニングと比較して精度と公平性に与える影響を評価した。 我々の研究は、実際の臨床データセットの困難な現実的な状況下では、診断深層学習モデルのプライバシー保護トレーニングは、優れた診断精度と公正さで可能であることを示しています。
  論文  参考訳（メタデータ） (2023-02-03T09:49:13Z)
• 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)

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。