論文の概要: Have I Seen You? Embedding Behavior Signals Synthetic Face Dataset Membership

• arxiv url: http://arxiv.org/abs/2607.29144v1
• Date: Fri, 31 Jul 2026 08:20:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.652641
• Title: Have I Seen You? Embedding Behavior Signals Synthetic Face Dataset Membership
• Title（参考訳）: 見たか? 顔データセットの合成メンバーシップに行動シグナルを埋め込む
• Abstract要約: 合成顔データセットは、生体認証におけるプライバシ露出とデータアクセス制限を減らすために、ますます利用されています。 しかし、これらのデータセットを生成するジェネレータは、実際の顔で訓練されているため、合成されたデータが実際のソースデータを明らかにする可能性がある。 このリスクは、まず顔認識器のトレーニングに使用される合成データセットを特定し、次にジェネレータのトレーニングに使用される実際のデータセットを推測するデータセットレベルのメンバシップ推論攻撃によって研究される。
• 参考スコア（独自算出の注目度）: 10.351122504676573
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Synthetic face datasets are increasingly used to reduce privacy exposure and data access constraints in biometric recognition. Yet the generators that produce these datasets are trained on real faces, so synthetic data may still reveal their real source data. We study this risk through a dataset-level membership inference attack that first identifies the synthetic dataset used to train a face recognizer and then infers the real dataset used to train the generator. Across 11 face recognition models, 11 synthetic datasets, and 7 real datasets, the attack recovers the synthetic training dataset in 100% of cases and identifies the generator's source dataset in 54.5% of cases. These results show that synthetic data can retain dataset-level traces of real training data and that privacy-preserving deployment requires stronger leakage mitigation.
• Abstract（参考訳）: 合成顔データセットは、生体認証におけるプライバシ露出とデータアクセス制限を減らすために、ますます利用されています。 しかし、これらのデータセットを生成するジェネレータは、実際の顔で訓練されているため、合成されたデータが実際のソースデータを明らかにする可能性がある。 このリスクは、まず顔認識器のトレーニングに使用される合成データセットを特定し、次にジェネレータのトレーニングに使用される実際のデータセットを推測するデータセットレベルのメンバシップ推論攻撃によって研究される。 11の顔認識モデル、11の合成データセット、7つの実際のデータセットを含む攻撃は、100%のケースで合成トレーニングデータセットを回復し、54.5%のケースでジェネレータのソースデータセットを識別する。 これらの結果は、合成データは実際のトレーニングデータのデータセットレベルのトレースを保持することができ、プライバシ保護デプロイメントはより強力なリーク緩和を必要とすることを示している。

関連論文リスト

• Secure Cross-Silo Synthetic Genomic Data Generation [4.995853115126354]
  合成データ生成は、機密情報を暴露することなく、より広範なデータ共有を可能にする。 ある設定では、単一のデータ保持者がそのような生成モデルを訓練するのに十分なデータを持っているかもしれませんが、多くのアプリケーションでは、データが適切なスケールを達成するために複数のサイトで結合されなければなりません。 本稿では,複数のデータ保持者が生データを明かさずに合成データ生成装置を共同で訓練する手法を提案する。
  論文  参考訳（メタデータ） (2026-04-30T05:52:49Z)
• Understanding the Influence of Synthetic Data for Text Embedders [52.04771455432998]
  まず,Wangらによって提案された合成データの再生と公開を行った。 合成データがモデル一般化をどのように改善するかを批判的に検討する。 本研究は, 汎用インバータ構築における, 現在の合成データ手法の限界を浮き彫りにしたものである。
  論文  参考訳（メタデータ） (2025-09-07T19:28:52Z)
• Second FRCSyn-onGoing: Winning Solutions and Post-Challenge Analysis to Improve Face Recognition with Synthetic Data [104.30479583607918]
  第2回FRCSyn-onGoingチャレンジは、CVPR 2024で開始された第2回顔認識チャレンジ(FRCSyn)に基づいている。 我々は、顔認識における現在の課題を解決するために、個々のデータと実際のデータの組み合わせの両方で合成データの利用を検討することに重点を置いている。
  論文  参考訳（メタデータ） (2024-12-02T11:12:01Z)
• Unveiling Synthetic Faces: How Synthetic Datasets Can Expose Real Identities [22.8742248559748]
  6つの最先端の合成顔認識データセットにおいて、元の実データからのサンプルが漏洩していることを示す。 本論文は,ジェネレータモデルのトレーニングデータから生成した合成顔認証データセットへの漏洩を示す最初の研究である。
  論文  参考訳（メタデータ） (2024-10-31T15:17:14Z)
• SynFER: Towards Boosting Facial Expression Recognition with Synthetic Data [78.70620682374624]
  ハイレベルなテキスト記述に基づく表情画像データの合成のための新しいフレームワークであるSynFERを紹介する。 合成データの質と信頼性を確保するため,セマンティックガイダンス手法と擬似ラベル生成手法を提案する。 その結果, 提案手法の有効性と合成データの有効性が検証された。
  論文  参考訳（メタデータ） (2024-10-13T14:58:21Z)
• Real Risks of Fake Data: Synthetic Data, Diversity-Washing and Consent Circumvention [0.8192907805418583]
  モデル開発において合成データを使用することの2つの重要なリスクを提示する。 まず、データセットの多様性と表現性を高めるために合成データを使用する場合、誤信のリスクが高いことを詳述する。 第2に、データ使用に対する同意を回避するための合成データリスクの使用方法を検討する。
  論文  参考訳（メタデータ） (2024-05-03T02:47:44Z)
• SDFR: Synthetic Data for Face Recognition Competition [51.9134406629509]
  大規模な顔認識データセットは、インターネットをクロールして個人の同意なしに収集し、法的、倫理的、プライバシー上の懸念を提起する。 近年、ウェブクローリングされた顔認識データセットにおける懸念を軽減するために、合成顔認識データセットの生成が提案されている。 本稿では,第18回IEEE International Conference on Automatic Face and Gesture Recognition (FG 2024)と共同で開催されているSynthetic Data for Face Recognition (SDFR)コンペティションの概要を紹介する。 SDFRコンペティションは2つのタスクに分けられ、参加者は新しい合成データセットまたは/または既存のデータセットを使用して顔認識システムを訓練することができる。
  論文  参考訳（メタデータ） (2024-04-06T10:30:31Z)
• Reimagining Synthetic Tabular Data Generation through Data-Centric AI: A Comprehensive Benchmark [56.8042116967334]
  合成データは、機械学習モデルのトレーニングの代替となる。 合成データが現実世界データの複雑なニュアンスを反映することを保証することは、難しい作業です。 本稿では,データ中心型AI技術の統合による合成データ生成プロセスのガイドの可能性について検討する。
  論文  参考訳（メタデータ） (2023-10-25T20:32:02Z)
• Beyond Privacy: Navigating the Opportunities and Challenges of Synthetic Data [91.52783572568214]
  合成データは、機械学習の世界において支配的な力となり、データセットを個々のニーズに合わせて調整できる未来を約束する。 合成データのより広範な妥当性と適用のために,コミュニティが克服すべき根本的な課題について論じる。
  論文  参考訳（メタデータ） (2023-04-07T16:38:40Z)
• On the use of automatically generated synthetic image datasets for benchmarking face recognition [2.0196229393131726]
  GAN(Generative Adversarial Networks)の最近の進歩は、実際のデータセットを合成データセットで置き換える経路を提供する。 現実的な顔画像を合成するためのGAN(Generative Adversarial Networks)の最近の進歩は、実際のデータセットを合成データセットで置き換える経路を提供する。 合成データセットのベンチマーク結果は、良い置換であり、多くの場合、実際のデータセットのベンチマークと同様のエラー率とシステムランキングを提供する。
  論文  参考訳（メタデータ） (2021-06-08T09:54:02Z)
• Measuring Utility and Privacy of Synthetic Genomic Data [3.635321290763711]
  人工ゲノムデータを生成するための5つの最先端モデルの実用性とプライバシ保護を最初に評価する。 全体として、ボード全体でうまく機能する合成ゲノムデータを生成するための単一のアプローチは存在しない。
  論文  参考訳（メタデータ） (2021-02-05T17:41:01Z)

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。