論文の概要: TrustCLIP: Learning Private Visual Features via Adversarial Reconstruction

• arxiv url: http://arxiv.org/abs/2607.04484v1
• Date: Sun, 05 Jul 2026 20:11:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.947353
• Title: TrustCLIP: Learning Private Visual Features via Adversarial Reconstruction
• Title（参考訳）: TrustCLIP: 敵対的再構成によるプライベートな視覚的特徴の学習
• Abstract要約: TrustCLIPは、機能条件付きジェネレータを明示的なプライバシ敵として扱う、再構築駆動のフレームワークである。 従来の分類とマルチモーダルな大規模言語モデルパイプラインにおいて,その有効性を示す。
• 参考スコア（独自算出の注目度）: 51.17509341761903
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision and vision-language models rely on high-level visual representations that are increasingly used across recognition, retrieval, and multimodal reasoning pipelines. However, recent advances in generative modeling have shown that such features can often be inverted, enabling realistic reconstructions of the underlying image and raising significant privacy risks. We revisit this problem through the lens of reconstruction and propose TrustCLIP, a reconstruction-driven framework that treats a feature-conditioned generator as an explicit privacy adversary. TrustCLIP learns a projection between encoder features and downstream modules that is explicitly optimized to degrade the reconstructions produced by generative attackers while retaining the necessary signals for downstream tasks. Unlike prior defenses that rely on discriminative privacy metrics, TrustCLIP directly optimizes against a generative reconstruction attacker, targeting a threat not captured by standard evaluation protocols. We demonstrate its effectiveness in both conventional classification and multimodal large language model pipelines. Across these settings, TrustCLIP consistently reduces the fidelity of generative inversions while maintaining downstream task performance. Project page: https://atnikos.github.io/trustclip/
• Abstract（参考訳）: 視覚と視覚言語モデルは、認識、検索、マルチモーダル推論パイプラインにまたがる高レベルな視覚表現に依存している。 しかし、近年のジェネレーティブ・モデリングの進歩により、そのような特徴はしばしば逆転し、基礎となるイメージの現実的な再構築を可能にし、重大なプライバシーリスクを生じさせることが示されている。 我々は、再構成のレンズを通してこの問題を再考し、特徴条件付きジェネレータを明示的なプライバシー侵害として扱う再構成駆動フレームワークであるTrustCLIPを提案する。 TrustCLIPは、エンコーダ機能と下流モジュールの間のプロジェクションを学習し、生成的攻撃者が生成した再構築を明示的に最適化し、下流タスクに必要な信号を保持する。 差別的なプライバシー指標に依存する以前の防衛とは異なり、TrustCLIPは生成的再構築攻撃に対して直接最適化する。 従来の分類とマルチモーダルな大規模言語モデルパイプラインにおいて,その有効性を示す。 これらの設定全体にわたって、TrustCLIPは、下流タスク性能を維持しながら、生成的反転の忠実度を一貫して低下させる。 プロジェクトページ: https://atnikos.github.io/trustclip/

関連論文リスト

• What Does the Server See? Understanding Privacy Leakage from Large Language Models in Split Inference [13.194874392306085]
  本稿では、クライアントの入力を再構築するために、中間的なアクティベーションマッチング問題を解決するActInvを紹介する。 この脆弱性を理解するために、我々は、層固有の復元抵抗を定量化する指標である摂動増幅係数(PAF)を開発した。 私たちの分析によると、プライバシーの脆弱性はレイヤ間で均一ではなく、いくつかのレイヤはリークの影響を受けやすいが、他のレイヤは自然な抵抗を提供する。
  論文  参考訳（メタデータ） (2026-05-22T02:14:16Z)
• ARES: Scalable and Practical Gradient Inversion Attack in Federated Learning through Activation Recovery [73.8181449261685]
  Federated Learning(FL)は、モデルの更新を生データではなく共有することで、ユーザのプライバシ保護を目的としたコラボレーションモデルトレーニングを可能にする。 最近の研究によると、これらの共有更新は、勾配反転攻撃(GIA)を通じて、不注意にセンシティブなトレーニングデータを漏洩する可能性がある。
  論文  参考訳（メタデータ） (2026-03-18T11:40:44Z)
• TIP: Resisting Gradient Inversion via Targeted Interpretable Perturbation in Federated Learning [8.156452885913108]
  フェデレートラーニング(FL)は、データの局所性を維持しながら協調的なモデルトレーニングを促進する。 勾配の交換により、システムはグラディエント・インバージョン・アタック(GIAs)に弱い。 本稿では、モデル解釈可能性と周波数領域解析を統合する新しい防御フレームワークTIPを提案する。
  論文  参考訳（メタデータ） (2026-02-12T06:32:49Z)
• Deep Leakage with Generative Flow Matching Denoiser [54.05993847488204]
  再建プロセスに先立って生成フローマッチング(FM)を組み込んだ新しい深部リーク攻撃(DL)を導入する。 当社のアプローチは、ピクセルレベル、知覚的、特徴に基づく類似度測定において、最先端の攻撃よりも一貫して優れています。
  論文  参考訳（メタデータ） (2026-01-21T14:51:01Z)
• SafeRedir: Prompt Embedding Redirection for Robust Unlearning in Image Generation Models [67.84174763413178]
  我々はSafeRedirを紹介した。SafeRedirは、迅速な埋め込みリダイレクトによる堅牢なアンラーニングのための軽量な推論時フレームワークである。 SafeRedirは,効果的な非学習能力,意味的・知覚的保存能力,堅牢な画像品質,対人攻撃に対する耐性の向上を実現している。
  論文  参考訳（メタデータ） (2026-01-13T15:01:38Z)
• Towards Efficient General Feature Prediction in Masked Skeleton Modeling [59.46799426434277]
  マスクスケルトンモデリングのための新しい汎用特徴予測フレームワーク(GFP)を提案する。 我々の重要な革新は、局所的な動きパターンからグローバルな意味表現にまたがる、従来の低レベルな再構築を高レベルな特徴予測に置き換えることです。
  論文  参考訳（メタデータ） (2025-09-03T18:05:02Z)
• Revisiting the Privacy Risks of Split Inference: A GAN-Based Data Reconstruction Attack via Progressive Feature Optimization [49.32786615205064]
  Split Inference (SI)は、エッジデバイスとクラウドの間の計算を分割することで、レイテンシを低減し、ユーザのプライバシを保護する。 データ再構成攻撃(DRA)の最近の進歩は、SIで交換された中間的特徴を利用して機密入力データを復元できることを明らかにしている。 既存のDRAは一般的に浅いモデルにのみ有効であり、セマンティックな事前を十分に活用できない。 本稿では,プログレッシブ・フィーチャー・オプティマイゼーション(PFO)を用いた新しいGANベースのDRAフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-28T10:00:39Z)
• LeakyCLIP: Extracting Training Data from CLIP [23.702455444224995]
  textbfLeakyCLIPは、CLIP埋め込みから高品質でセマンティックに正確な画像再構成を実現することを目的としている。 CLIPのインバージョンでは,1)非破壊的特徴,2)テキスト埋め込みにおける視覚的セマンティクスの制限,3)再構築精度の低下,の3つの課題が指摘されている。
  論文  参考訳（メタデータ） (2025-08-01T16:32:48Z)

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。