論文の概要: Privacy-Preserving Action Recognition: Taxonomy, Methods, and Privacy-Utility Trade-offs

• arxiv url: http://arxiv.org/abs/2608.04501v1
• Date: Wed, 05 Aug 2026 06:38:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 14:48:43.757959
• Title: Privacy-Preserving Action Recognition: Taxonomy, Methods, and Privacy-Utility Trade-offs
• Title（参考訳）: プライバシー保護行動認識:分類学、方法、プライバシ・ユーティリティのトレードオフ
• Authors: Sareer Ul Amin, Muhammad Ayaz, Muhammad Munsif, Sanghyun Seo,
• Abstract要約: 公共の安全、医療、スマートな環境におけるビデオ監視は、継続的な人間の監視ルーチンを作り、個人のアイデンティティと外観に対する真のリスクを高めた。 PPARは、ビデオ理解の実用性とこの露出との間の緊張に対処し、急速に成長する関心を惹きつけている。 ほとんどのカタログは単一のメカニズムファミリーであり、最近の敵とハイブリッドの作業に先立ち、ほとんど評価に対処しない。 885件の検診記録から抽出した32件の査読論文のPRISMAガイドによるレビューで,この問題に対処する。 我々は2次元のプライバシー空間分類、形式的脅威モデル、比較トレードオフ分析、PPAR統一評価プロトコルに貢献する。
• 参考スコア（独自算出の注目度）: 2.998571128008104
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Video surveillance in public safety, healthcare, and smart environments has made continuous human monitoring routine, raising real risks to personal identity and appearance. Privacy-preserving action recognition (PPAR) tackles the tension between the utility of video understanding and this exposure, and has drawn fast-growing interest. However, existing surveys remain narrow. Most catalog a single mechanism family, predate recent adversarial and hybrid work, or barely address evaluation. The result is a fragmented literature with incompatible threat models, inconsistent metrics, and no shared evaluation standard. We address this with a PRISMA-guided review of 32 peer-reviewed papers (2018--2026) drawn from 885 screened records. Methods sort into five families, namely adversarial learning (52%), skeleton-based (20%), cryptographic (12%), differential privacy (8%), and hybrid (8%), each with distinct privacy, utility, and efficiency trade-offs. Evaluation is the weak point. Only 10% of papers adopt a formal privacy definition, 65% rely on ad-hoc metrics, and 40% report an inconsistently defined cMAP. The trade-offs are steep. Skeleton methods reach about 85% accuracy but drop appearance, adversarial methods hold near 80% utility at moderate privacy (cMAP 0.9 to 0.3--0.5), and differential privacy often falls below 70%. Harder conditions stay under-tested, with fewer than 15% of papers checking cross-dataset generalization, under 10% testing adaptive attackers, and real-time edge deployment nearly untouched. We contribute a two-dimensional privacy-space taxonomy, a formal threat model, a comparative trade-off analysis, the PPAR Unified Evaluation Protocol, and a roadmap centered on benchmark standardization. With this grounding, we argue PPAR can move from prototypes toward deployment, with lessons extending to face recognition and medical imaging.
• Abstract（参考訳）: 公共の安全、医療、スマートな環境におけるビデオ監視は、継続的な人間の監視ルーチンを作り、個人のアイデンティティと外観に対する真のリスクを高めた。 プライバシ保護行動認識(PPAR)は、ビデオ理解の有用性とこの露出の緊張に対処し、急速に関心を集めている。 しかし、現在の調査は狭いままである。 ほとんどのカタログは単一のメカニズムファミリーであり、最近の敵とハイブリッドの作業に先立ち、ほとんど評価に対処しない。 結果は、互換性のない脅威モデル、一貫性のないメトリクス、共有評価標準のない断片化された文献である。 885枚の検診記録から抽出した32枚の査読論文(2018-2026)のPRISMAガイドによるレビューでこの問題に対処する。 方法は、敵対的学習(52%)、骨格ベースの学習(20%)、暗号(12%)、差分プライバシー(8%)、ハイブリッド(8%)の5つのファミリーに分類される。 評価が弱点です。 正式なプライバシー定義を採用する論文は10%に過ぎず、65%はアドホックなメトリクスに依存しており、40%は矛盾なく定義されたcMAPを報告している。 トレードオフは急なものです。 スケルトン法は約85%の精度に達するが、外観は低下し、敵法は中程度のプライバシー(cMAP 0.9から0.3-0.5)で80%近く実用性を保持し、微分プライバシーは70%以下であることが多い。 厳密な条件は未テストのままであり、クロスデータセットの一般化をチェックする論文の15%未満、アダプティブアタッカーを10%未満でテストし、リアルタイムのエッジデプロイメントはほとんど変更されていない。 我々は,2次元のプライバシ空間分類,形式的脅威モデル,比較トレードオフ分析,PPAR統一評価プロトコル,ベンチマーク標準化を中心としたロードマップに貢献する。 この基盤によって、PPARはプロトタイプからデプロイメントへと移行し、顔認識や医用画像にまで拡張できると我々は主張する。

関連論文リスト

• NLP Privacy Risk Identification in Social Media (NLP-PRISM): A Survey [9.47737368469032]
  6次元にわたる脆弱性を評価するソーシャル・メディア・フレームワークにおけるNLPプライバシ・リスク同定を提案する。 我々の分析によると、トランスフォーマーモデルは0.58-0.84の範囲でF1スコアを達成するが、プライバシー保護の微調整により1%から23%低下する。 我々は、ソーシャルメディアの文脈で倫理的NLPを可能にするために、より強力な匿名化、プライバシーを意識した学習、公平な学習を提唱する。
  論文  参考訳（メタデータ） (2026-01-26T21:09:48Z)
• Privacy-Preserving Federated Learning with Verifiable Fairness Guarantees [0.0]
  フェデレートラーニングは、センシティブなデータを集中化せずに、分散機関間で協調的なモデルトレーニングを可能にする。 本稿では,フェデレートされた学習システムに対して,初めて検証可能な公正性を保証する新しい暗号フレームワークであるCryptoFair-FLを紹介する。
  論文  参考訳（メタデータ） (2026-01-18T15:06:30Z)
• CLUE: Non-parametric Verification from Experience via Hidden-State Clustering [64.50919789875233]
  隠れアクティベーションの軌跡内の幾何的に分離可能なシグネチャとして解の正しさが符号化されていることを示す。 ClUE は LLM-as-a-judge ベースラインを一貫して上回り、候補者の再選において近代的な信頼に基づく手法に適合または超えている。
  論文  参考訳（メタデータ） (2025-10-02T02:14:33Z)
• Conformal Prediction for Privacy-Preserving Machine Learning [83.88591755871734]
  AESで暗号化されたMNISTデータセットの変種を用いて、暗号化されたドメインに直接適用しても、コンフォーマル予測法が有効であることを示す。 我々の研究は、安全でプライバシーに配慮した学習システムにおける原則的不確実性定量化の基礎を定めている。
  論文  参考訳（メタデータ） (2025-07-13T15:29:14Z)
• The Impact of Generalization Techniques on the Interplay Among Privacy, Utility, and Fairness in Image Classification [2.271910267215261]
  近年の研究では、一般化技術はプライバシとユーティリティのバランスを改善することが示唆されている。 合成および実世界のバイアスのあるデータセットで訓練されたプライベートおよび非プライベート学習モデルの公平性を検証した。 我々は、正確さ、プライバシー、公平さを1つの尺度に組み合わせた、新しい測度、"Emphharmonic score"を導入する。
  論文  参考訳（メタデータ） (2024-12-16T16:35:31Z)
• Locally Differentially Private Document Generation Using Zero Shot Prompting [61.20953109732442]
  本稿では,DP-Prompt と呼ばれる局所的に異なるプライベートなメカニズムを提案し,作者の匿名化攻撃に対処する。 DP-PromptをChatGPT(gpt-3.5)のような強力な言語モデルで使用すると、匿名化攻撃の成功率の顕著な低下が観察される。
  論文  参考訳（メタデータ） (2023-10-24T18:25:13Z)
• 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)
• SA-DPSGD: Differentially Private Stochastic Gradient Descent based on Simulated Annealing [25.25065807901922]
  差分勾配降下法は画像認識における差分プライバシーを持つ最も一般的な訓練法である。 既存のDPSGDスキームは性能を著しく低下させ、差分プライバシーの適用を妨げている。 本稿では, 更新品質とイテレーション数に依存する確率で, 候補更新を受理するSA-DPSGD(Simulated annealing-based differentially private gradient descent scheme)を提案する。
  論文  参考訳（メタデータ） (2022-11-14T09:20:48Z)
• No Free Lunch in "Privacy for Free: How does Dataset Condensation Help Privacy" [75.98836424725437]
  データプライバシを保護するために設計された新しい手法は、慎重に精査する必要がある。 プライバシ保護の失敗は検出し難いが,プライバシ保護法を実装したシステムが攻撃された場合,破滅的な結果につながる可能性がある。
  論文  参考訳（メタデータ） (2022-09-29T17:50:23Z)

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。