論文の概要: Picture the Epsilon: Pursuing Identity-Level Privacy Guarantees for Images

• arxiv url: http://arxiv.org/abs/2608.17147v1
• Date: Mon, 17 Aug 2026 21:30:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 21:40:53.134882
• Title: Picture the Epsilon: Pursuing Identity-Level Privacy Guarantees for Images
• Title（参考訳）: エプシロンの写真:画像のアイデンティティレベルプライバシー保護
• Abstract要約: 画像から画像までの顔生成装置は広く使われており、出力とソース画像との視覚的な相違は、プライバシーの証拠として扱われることがある。 本研究では,事前学習したブラックボックスフェースジェネレータに適用可能な4つの監査結果の比較検討を行った。
• 参考スコア（独自算出の注目度）: 3.0335372695849157
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image-to-image face generators are widely used, and visual dissimilarity between their outputs and source images is sometimes treated as evidence of privacy. Auditing whether these systems satisfy formal identity-level (epsilon, delta)-differential privacy requires choosing among several distinct routes for converting embedding-space observations into estimates or bounds on the differential privacy parameter epsilon. We present a comparative study of four such audits applicable to pre-trained, black-box face generators: a Gaussian-mechanism reading of per-identity sensitivity (GaussMech); a per-dimension kernel-density log-ratio aggregated by basic composition (KDE-LR); an analytical population-level lower bound on pure-DP epsilon derived from the maximum mean discrepancy via the total variation distance (MMD-TV); and a hypothesis-testing evaluation of a cross-validated classifier's out-of-fold ROC (ROC-HT). For each method we make explicit its assumptions, hyperparameter dependence, finite-sample limitations, and the regime in which its epsilon estimate is informative. Applied to FaceFusion and InstantID across multiple identity encoders and reference datasets, the audits consistently reveal substantial identity distinguishability while reporting markedly different epsilon estimates that reflect each method's distinct assumptions and finite-sample treatment. In this high-distinguishability regime, the experiments do not support a reliable ranking of the four methods. Their relative trade-offs should be evaluated on partially private mechanisms, which we identify as the natural next study. The resulting framework places these audits in a shared identity-level audit setting and clarifies how their assumptions and finite-sample treatments shape the resulting differential privacy estimates.
• Abstract（参考訳）: 画像から画像までの顔生成装置は広く使われており、出力とソース画像との視覚的な相違は、プライバシーの証拠として扱われることがある。 これらのシステムが正式なアイデンティティレベル (epsilon, delta) の差分プライバシーを満たすかどうかを判断するためには、埋め込み空間の観測を推定や差分プライバシーパラメータのエプシロン上の境界に変換するいくつかの異なる経路を選択する必要がある。 本報告では, 基本構成(KDE-LR)で集約された1次元のカーネル密度対数比 (GaussMech) , 総変動距離(MMD-TV) による最大平均誤差から導かれる純DPエプシロンの集団レベル下限解析, クロスバリデーション分類器のROC-HT(ROC-HT) の評価を行った。 それぞれの方法に対して、その仮定、ハイパーパラメータ依存、有限サンプル制限、およびそのエプシロン推定が情報的である状態を明確にする。 FaceFusionとInstantIDが複数のIDエンコーダと参照データセットにまたがって適用され、監査は、それぞれのメソッドの異なる仮定と有限サンプル処理を反映した明らかに異なるエプシロン推定を報告しながら、かなりのアイデンティティの識別性を一貫して明らかにする。 この高識別性システムでは、実験は4つの方法の信頼性の高いランキングをサポートしない。 それらの相対的なトレードオフは、部分的にプライベートなメカニズムで評価されるべきである。 結果として得られたフレームワークは、これらの監査を共有IDレベルの監査設定に配置し、それらの仮定と有限サンプル処理が、結果として生じる差分プライバシー推定をどのように形作るかを明確にする。

関連論文リスト

• Computational Identifiability [58.12019389497595]
  「自己同一性」は性質、無限のデータ、その他の数学的に理想化された条件を仮定する。 「計算的識別可能性」とは、経験的推定器に対する有限計算探索手順を定義することである。 このフレームワークは、どのようにしてきめ細かな、実用的な識別問題に答えられるかを示します。
  論文  参考訳（メタデータ） (2026-06-08T19:39:59Z)
• Locally Private Parametric Methods for Change-Point Detection [11.057090535856839]
  そこで本研究では,局所的な差分プライバシーの下で時系列の分布変化を同定することを目的とするパラメトリックな変化点検出について検討する。 非プライベートな設定では、一般化された対数類似度比テストに基づいて、変更点検出アルゴリズムに対する有限サンプル精度の保証を導出する。 そこで本研究では,ランダム化応答とバイナリ機構に基づく2つの局所微分プライベートアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2026-02-14T06:11:54Z)
• Federated Learning of Quantile Inference under Local Differential Privacy [2.8462768598083823]
  局所微分プライバシー(LDP)下での量子推論の学習について検討する。 本稿では,局所勾配勾配(SGD)に基づく推定器を提案する。 我々は、推定器の正規性と機能中心極限定理を確立する。
  論文  参考訳（メタデータ） (2025-09-26T02:56:39Z)
• A Sample Efficient Conditional Independence Test in the Presence of Discretization [54.047334792855345]
  離散化されたデータに直接条件付き独立テスト(CI)は、誤った結論につながる可能性がある。 最近の進歩は、観測データをバイナライズすることで、潜伏変数間の適切なCI関係を推測することを目指している。 そこで本研究では,バイナライゼーションプロセスに依存しないサンプル効率のCIテストを提案する。
  論文  参考訳（メタデータ） (2025-06-10T12:41:26Z)
• From Randomized Response to Randomized Index: Answering Subset Counting Queries with Local Differential Privacy [27.59934932590226]
  ローカル微分プライバシ(LDP)は、個々のデータプライバシを保護するための主要なプライバシモデルである。 我々は、値の摂動ではなく、値のインデックスにランダム化を適用する別のアプローチを提案する。 乱数化インデックスのデニビリティに着想を得て,集合値データに対するサブセットカウントクエリに応答するCRIADを提案する。
  論文  参考訳（メタデータ） (2025-04-24T13:08:11Z)
• Differentially Private Random Feature Model [47.35176457481132]
  プライバシを保存するカーネルマシンに対して,差分的にプライベートな特徴モデルを作成する。 本手法は,プライバシを保護し,一般化誤差を導出する。
  論文  参考訳（メタデータ） (2024-12-06T05:31:08Z)
• Mitigating LLM Hallucinations via Conformal Abstention [70.83870602967625]
  我々は,大言語モデルが一般ドメインでの応答をいつ無視すべきかを決定するための,原則化された手順を開発する。 我々は、幻覚率(エラー率)の厳密な理論的保証の恩恵を受けるため、共形予測手法を活用して、禁忌手順を開発する。 実験によって得られた共形禁忌法は, 種々の閉書, オープンドメイン生成質問応答データセットに, 幻覚率を確実に拘束する。
  論文  参考訳（メタデータ） (2024-04-04T11:32:03Z)
• Improving the Variance of Differentially Private Randomized Experiments through Clustering [16.166525280886578]
  差分的プライベートなメカニズムであるCluster-DPを提案する。 より高品質なクラスタを選択することで,プライバシー保証を損なうことなく,分散ペナルティを低減できることを示す。
  論文  参考訳（メタデータ） (2023-08-02T05:51:57Z)
• Breaking the Communication-Privacy-Accuracy Tradeoff with $f$-Differential Privacy [51.11280118806893]
  サーバが複数のユーザの協調的なデータ分析を,プライバシの懸念と限られた通信能力で調整する,フェデレートされたデータ分析問題を考える。 有限出力空間を有する離散値機構の局所的差分プライバシー保証を$f$-differential privacy (DP) レンズを用いて検討する。 より具体的には、様々な離散的評価機構の厳密な$f$-DP保証を導出することにより、既存の文献を前進させる。
  論文  参考訳（メタデータ） (2023-02-19T16:58:53Z)
• Differentially Private Federated Clustering over Non-IID Data [59.611244450530315]
  クラスタリングクラスタ(FedC)問題は、巨大なクライアント上に分散されたラベルなしデータサンプルを、サーバのオーケストレーションの下で有限のクライアントに正確に分割することを目的としている。 本稿では,DP-Fedと呼ばれる差分プライバシー収束手法を用いた新しいFedCアルゴリズムを提案する。 提案するDP-Fedの様々な属性は、プライバシー保護の理論的解析、特に非識別的かつ独立に分散された(非i.d.)データの場合において得られる。
  論文  参考訳（メタデータ） (2023-01-03T05:38:43Z)
• Partial sensitivity analysis in differential privacy [58.730520380312676]
  それぞれの入力特徴が個人のプライバシ損失に与える影響について検討する。 プライベートデータベース上でのクエリに対する我々のアプローチを実験的に評価する。 また、合成データにおけるニューラルネットワークトレーニングの文脈における知見についても検討する。
  論文  参考訳（メタデータ） (2021-09-22T08:29:16Z)
• Non-parametric Differentially Private Confidence Intervals for the Median [3.205141100055992]
  本稿では,中央値に対する有意な個人的信頼区間を計算するためのいくつかの戦略を提案し,評価する。 また、サンプリングからのエラーと出力の保護からのエラーという2つの不確実性源に対処することが、この不確実性を逐次的に組み込んだ単純なアプローチよりも望ましいことを示す。
  論文  参考訳（メタデータ） (2021-06-18T19:45:37Z)
• UC-Net: Uncertainty Inspired RGB-D Saliency Detection via Conditional Variational Autoencoders [81.5490760424213]
  データラベリングプロセスから学習することで、RGB-Dサリエンシ検出に不確実性を利用するための第1のフレームワーク(UCNet)を提案する。 そこで本研究では,サリエンシデータラベリングにヒントを得て,確率的RGB-Dサリエンシ検出ネットワークを提案する。
  論文  参考訳（メタデータ） (2020-04-13T04:12:59Z)

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。