論文の概要: Beyond Classification: Task-Dependent Learnability under Privacy-Motivated Image Transformations

• arxiv url: http://arxiv.org/abs/2608.27066v1
• Date: Thu, 27 Aug 2026 12:52:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 16:30:58.405325
• Title: Beyond Classification: Task-Dependent Learnability under Privacy-Motivated Image Transformations
• Title（参考訳）: 分類を超えて:プライバシーを動機とする画像変換におけるタスク依存の学習性
• Abstract要約: コンピュータビジョンにおけるプライバシ・エンハンシング・テクノロジー(PET)は、しばしばノイズや画像の摂動に頼り、安全に処理しながら視覚データを保護している。 本稿では,モデル学習におけるPET評価のためのマルチタスクプロトコルを提案する。
• 参考スコア（独自算出の注目度）: 17.203603592666948
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Privacy-Enhancing Technologies (PETs) in computer vision often rely on noise or image perturbations to protect visual data while securely processing it, creating a trade-off between task performance and protection. This trade-off is commonly evaluated using image classification, which primarily captures semantic separability and remains robust despite significant geometric, spatial layout or local boundary alterations. As a result, it is too simplistic as a proxy for generic vision tasks. Exhaustive downstream-task evaluation, however, is computationally expensive because models must often be trained for each PET transformation and parameter setting. We therefore propose a compute-aware multi-task protocol for evaluating PETs in model training. It combines lightweight proxy tasks that target complementary aspects of visual structure while remaining simple and fast to compute. Across irreversible privacy transformations, key-based block primitives, and learnable image encryption schemes, we demonstrate that PETs with similar classification accuracy can differ substantially on other tasks. The outcomes highlight the need for PET evaluation protocols that move beyond classification-only reporting.
• Abstract（参考訳）: コンピュータビジョンにおけるプライバシ・エンハンシング・テクノロジー(PET)は、視覚データを安全に処理しながら、ノイズやイメージの摂動に頼り、タスクのパフォーマンスと保護の間のトレードオフを生み出す。 このトレードオフは、主にセマンティックセパビリティを捉え、幾何的、空間的レイアウト、あるいは局所的な境界の変化にもかかわらず頑健であるイメージ分類を用いて、一般的に評価される。 その結果、汎用的な視覚タスクのプロキシとしては単純すぎる。 しかし,各PET変換とパラメータ設定にモデルを適用する必要があるため,出力ダウンストリームタスクの評価は計算コストがかかる。 そこで本研究では,モデルトレーニングにおけるPET評価のためのマルチタスクプロトコルを提案する。 シンプルで高速に計算しながら、視覚構造の相補的な側面をターゲットにした軽量なプロキシタスクを組み合わせる。 不可逆なプライバシ変換、キーベースブロックプリミティブ、学習可能な画像暗号化スキームなどにおいて、類似の分類精度を持つPETが他のタスクと大きく異なることを実証する。 その結果,PET評価プロトコルの必要性が浮き彫りになった。

関連論文リスト

• Secure-by-Disguise: A Systematic Evaluation of Image Disguising for Confidential Medical Image Modeling [15.1132488412831]
  クラウドベースのディープラーニングは、大規模な医療画像解析を可能にするが、センシティブな患者イメージがモデル開発のためにアウトソースされた場合、プライバシー上の重大な懸念が生じる。 Image Disguisingは、イメージを視覚的に理解できない表現に変換する、将来性のあるプライバシー向上技術(PET)として登場した。
  論文  参考訳（メタデータ） (2026-07-09T18:43:58Z)
• ViTNT-FIQA: Training-Free Face Image Quality Assessment with Vision Transformers [19.115807754135094]
  ViTNT-FIQAは、中間的なVision Transformerブロック間のパッチ埋め込み進化の安定性を測定する、トレーニング不要のアプローチである。 本稿では,L2正規化パッチ埋め込み間のユークリッド距離を逐次変圧器ブロックから計算し,それらを画像レベルの品質スコアに集約する。 ViTNT-FIQAは,任意のトレーニング済みのViTベースの顔認識モデルに対して,計算効率と即時適用性を保ちながら,最先端手法との競合性能を実現する。
  論文  参考訳（メタデータ） (2026-01-09T11:46:25Z)
• Diffusion Transformer Meets Random Masks: An Advanced PET Reconstruction Framework [11.726122474828065]
  本研究ではDREAM(Diffusion tRansformer mEets rAndom Masks)と呼ばれる高度なPET再建フレームワークを提案する。 我々の知る限りでは、これはマスク機構をシングラム領域と潜在空間の両方に統合する最初の試みである。 実験の結果,DREAMは再建PET画像の全体的な品質を向上するだけでなく,臨床的詳細も保存することが明らかとなった。
  論文  参考訳（メタデータ） (2025-03-11T11:50:50Z)
• DAPE V2: Process Attention Score as Feature Map for Length Extrapolation [63.87956583202729]
  我々は特徴写像としての注意を概念化し、コンピュータビジョンにおける処理方法を模倣するために畳み込み演算子を適用した。 様々な注意関係のモデルに適応できる新しい洞察は、現在のTransformerアーキテクチャがさらなる進化の可能性があることを示している。
  論文  参考訳（メタデータ） (2024-10-07T07:21:49Z)
• Parameter-Efficient and Memory-Efficient Tuning for Vision Transformer: A Disentangled Approach [87.8330887605381]
  本稿では,学習可能なパラメータをわずかに限定して,事前学習した視覚変換器を下流認識タスクに適用する方法を示す。 学習可能で軽量なモジュールを用いてタスク固有のクエリを合成する。 本手法はメモリ制約下での最先端性能を実現し,実環境における適用性を示す。
  論文  参考訳（メタデータ） (2024-07-09T15:45:04Z)
• Intra-task Mutual Attention based Vision Transformer for Few-Shot Learning [12.5354658533836]
  人間は、ほんのわずかの例に晒された後に、新しい、目に見えない画像を正確に分類する能力を持っている。 人工ニューラルネットワークモデルでは、限られたサンプルを持つ2つのイメージを区別する最も関連性の高い特徴を決定することが課題である。 本稿では,サポートとクエリサンプルをパッチに分割するタスク内相互注意手法を提案する。
  論文  参考訳（メタデータ） (2024-05-06T02:02:57Z)
• Learning to Mask and Permute Visual Tokens for Vision Transformer Pre-Training [55.12082817901671]
  我々はMasked and Permuted Vision Transformer(MaPeT)という自己教師型事前学習手法を提案する。 MaPeTは、自動回帰および置換予測を使用して、パッチ内依存関係をキャプチャする。 以上の結果から,MaPeTはベースラインやコンペティターと同一のモデル設定で比較して,ImageNet上での競合性能を実証した。
  論文  参考訳（メタデータ） (2023-06-12T18:12:19Z)
• CLAMP: Prompt-based Contrastive Learning for Connecting Language and Animal Pose [70.59906971581192]
  本稿では,言語とAniMal Poseを効果的に接続するための,新しいプロンプトベースのコントラスト学習手法を提案する。 CLAMPは、ネットワークトレーニング中にテキストプロンプトを動物のキーポイントに適応させることでギャップを埋めようとしている。 実験結果から, 教師付き, 少数ショット, ゼロショット設定下での最先端性能が得られた。
  論文  参考訳（メタデータ） (2022-06-23T14:51:42Z)
• Three things everyone should know about Vision Transformers [67.30250766591405]
  トランスフォーマーアーキテクチャは コンピュータビジョンにおいて 急速に勢いを増しています 視覚変換器の変種をシンプルかつ容易に実装できる3つの洞察を提供する。 我々は、ImageNet-1kデータセットを用いて、これらの設計選択の影響を評価し、ImageNet-v2テストセットにおける結果を確認した。
  論文  参考訳（メタデータ） (2022-03-18T08:23:03Z)
• On Efficient Transformer and Image Pre-training for Low-level Vision [74.22436001426517]
  プレトレーニングは、ハイレベルコンピュータビジョンにおける多くの最先端の芸術である。 画像事前学習の詳細な研究について述べる。 低レベルのタスクでは,事前トレーニングが極めて異なる役割を担っています。
  論文  参考訳（メタデータ） (2021-12-19T15:50:48Z)

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。