論文の概要: Quantifying Training Membership Information in the Hyperspherical Embedding Geometry of Face Recognition Models

• arxiv url: http://arxiv.org/abs/2607.15084v1
• Date: Thu, 16 Jul 2026 14:57:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:33.151596
• Title: Quantifying Training Membership Information in the Hyperspherical Embedding Geometry of Face Recognition Models
• Title（参考訳）: 顔認識モデルの超球面埋め込み幾何学におけるトレーニングメンバーシップ情報の定量化
• Authors: Ünsal Öztürk, Sébastien Marcel,
• Abstract要約: 我々は180の顔認識モデルにまたがるクラスタ幾何に基づく4つの統計量を計算する。 以上の結果から,トレーニングアイデンティティの数が最も会員・非会員分離性に与える影響が示唆された。
• 参考スコア（独自算出の注目度）: 29.72954224438367
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Face recognition models represent each face as an embedding vector on the unit hypersphere by clustering embeddings of the same identity while pushing different identities apart through angular-margin losses. Because these losses act only on training identities, non-member identities may form clusters with different geometric properties. In this paper, we quantify the magnitude of this difference and what training-time factors control it. We compute four statistics based on cluster geometry across 180 face recognition models in a factorial design over IResNet backbone size, loss head, training duration, and the number of training identities, and evaluate each configuration on nine benchmarks. Our results indicate that the number of training identities has the largest effect on member/non-member separability, while backbone and loss head contribute far less, and that, on a same-domain held-out reference, the geometric membership signal decreases monotonically as more identities are added to training. We provide an analysis of cross-domain (pose, age, quality, ethnicity) non-member benchmarks and report that these inflate the apparent membership signal. Finally, we fuse all four statistics with a learned classifier to reveal additional membership information beyond the best individual statistic.
• Abstract（参考訳）: 顔認識モデルは、各顔を単位超球面上の埋め込みベクトルとして表現し、同じアイデンティティの埋め込みをクラスタリングし、異なるアイデンティティを角マージンの損失で分割する。 これらの損失は訓練のアイデンティティにのみ作用するため、非メンバーのアイデンティティは異なる幾何学的性質を持つクラスタを形成することができる。 本稿では,この差の大きさと,それを制御する訓練時間的要因を定量化する。 我々は、IResNetのバックボーンサイズ、ロスヘッド、トレーニング期間、トレーニングIDの数に対して、180の顔認識モデルにまたがるクラスタジオメトリに基づいて、4つの統計データを計算し、9つのベンチマークで各構成を評価した。 以上の結果から, トレーニングの個数は, メンバー/非メンバー分離性に対して最大であり, バックボーンとロスヘッドの寄与は極めて少なく, 同一領域のホールドアウト参照では, 幾何的メンバーシップ信号がトレーニングにより多くのアイデンティティを追加するにつれて単調に減少することが示唆された。 我々は、クロスドメイン(目的、年齢、品質、民族性)の非メンバーベンチマークの分析を行い、それらが明らかにメンバーシップ信号に影響を及ぼすと報告する。 最後に、学習した分類器で4つの統計データを融合し、最高の統計値を超える追加の会員情報を明らかにする。

関連論文リスト

• PIU: Proximity-guided Identity Unlearning in ID-Conditioned Diffusion Models [2.260041671242786]
  我々は、顔生成のための最先端のアイデンティティ条件付き潜時拡散モデルであるArc2Faceでアイデンティティアンラーニングを研究する。 本稿では,Pu(Proximity-guided Identity Unlearning)について紹介する。
  論文  参考訳（メタデータ） (2026-05-21T10:55:56Z)
• Beyond Inference Intervention: Identity-Decoupled Diffusion for Face Anonymization [55.29071072675132]
  顔の匿名化は、非同一性属性を保持しながら、識別情報を隠蔽することを目的としている。 トレーニング中心の匿名化フレームワークである textbfIDsuperscript2Face を提案する。 IDtextsuperscript2Faceは、視覚的品質、アイデンティティの抑制、ユーティリティ保存において、既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-10-28T09:28:12Z)
• DisCo: Reinforcement with Diversity Constraints for Multi-Human Generation [60.741022906593685]
  DisCoは、マルチヒューマン世代におけるアイデンティティの多様性を直接最適化する最初のRLベースのフレームワークである。 グループ相対ポリシー最適化によるDisCo微粒フローマッチングモデル。 DiverseHumans Testsetでは、DisCoは98.6のユニークな顔の精度とほぼ完璧なグローバルアイデンティティスプレッドを実現している。
  論文  参考訳（メタデータ） (2025-10-01T19:28:51Z)
• From Poses to Identity: Training-Free Person Re-Identification via Feature Centralization [9.614305363044737]
  人物再識別(ReID)は、正確な識別表現の特徴を抽出することを目的としている。 個人ノイズを低減するための訓練自由特徴集中型ReIDフレームワーク(Pose2ID)を提案する。 提案手法は, 標準, クロスモダリティ, 隠蔽されたReIDタスクにまたがって, 最先端の新たな結果を設定する。
  論文  参考訳（メタデータ） (2025-03-02T15:31:48Z)
• Improving Identity-Robustness for Face Models [9.721206532236515]
  顔認識ベクトルをアイデンティティのプロキシとして利用して、このような堅牢性を実現する。 我々は, プロキシ埋め込み空間における条件逆密度(CID)に応じて, サンプルを重み付けする。 このような単純なサンプル重み付け方式はトレーニングの堅牢性を向上するだけでなく,全体的な性能も向上することが示唆された。
  論文  参考訳（メタデータ） (2023-04-07T20:41:10Z)
• The Group Loss++: A deeper look into group loss for deep metric learning [65.19665861268574]
  グループ損失 (Group Loss) は、グループの全サンプルに埋め込まれた類似性を強制する微分可能なラベルプロパゲーション法に基づく損失関数である。 4つのデータセットでクラスタリングと画像検索の最先端結果を示し、2人の再識別データセットで競合結果を示す。
  論文  参考訳（メタデータ） (2022-04-04T14:09:58Z)
• Cross-Domain Similarity Learning for Face Recognition in Unseen Domains [90.35908506994365]
  本研究では,cdt(cross-domain triplet, クロスドメイントリプレット)の損失を推測する新しいクロスドメインメトリック学習損失法を提案する。 CDT損失は、一つのドメインからコンパクトな特徴クラスタを強制することによって意味論的に意味のある特徴の学習を促進する。 本手法では,トレーニング中,注意深いハードペアサンプルマイニングおよびフィルタリング戦略は必要としない。
  論文  参考訳（メタデータ） (2021-03-12T19:48:01Z)
• Towards Universal Representation Learning for Deep Face Recognition [106.21744671876704]
  対象のドメイン知識を活用せずに、与えられたトレーニングデータに見つからない大きな変化に対処できる普遍的な表現学習フレームワークを提案する。 実験により,LFW や MegaFace などの一般的な顔認識データセットにおいて,本手法が最高性能を実現することを示す。
  論文  参考訳（メタデータ） (2020-02-26T23:29:57Z)
• DotFAN: A Domain-transferred Face Augmentation Network for Pose and Illumination Invariant Face Recognition [94.96686189033869]
  本稿では,3次元モデルを用いたドメイン転送型顔強調ネットワーク(DotFAN)を提案する。 DotFANは、他のドメインから収集された既存のリッチフェイスデータセットから抽出された知識に基づいて、入力顔の一連の変種を生成することができる。 実験によると、DotFANは、クラス内の多様性を改善するために、小さな顔データセットを増やすのに有益である。
  論文  参考訳（メタデータ） (2020-02-23T08:16:34Z)
• Single Unit Status in Deep Convolutional Neural Network Codes for Face Identification: Sparseness Redefined [1.089584862512673]
  顔識別のために訓練されたディープ畳み込みニューラルネットワーク(DCNN)は、可変イメージを一般化する表現を開発する。 顔認証ネットワークの「神経ユニット」と「アンサンブルレベル」において、アイデンティティ、性別、視点コードについて検討した。
  論文  参考訳（メタデータ） (2020-02-14T22:42:02Z)

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。