論文の概要: Differentially Private Paired Table-Image Multimodal Synthesis
- arxiv url: http://arxiv.org/abs/2609.00708v1
- Date: Tue, 01 Sep 2026 04:34:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-02 16:31:36.322324
- Title: Differentially Private Paired Table-Image Multimodal Synthesis
- Title（参考訳）: 微分プライベートテーブル画像多モード合成
- Abstract要約: プライベートペア合成のためのモダリティ特化フレームワークであるDP-TabImageを提案する。
DP-TabImage は分解 $p(x,y)=p_T(y)p_I(x;|;y)$ をプライベート確率的グラフィカルモデルを用いてインスタンス化する。
クリッピング・ノイズのある勾配下での条件付き学習を容易にするため、我々はプライベートなテーブルイメージのプロトタイプ上でモデルを事前訓練する。
- 参考スコア（独自算出の注目度）: 29.85048883295198
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Differentially private (DP) synthesis has been extensively studied for tabular and image data separately, yet many real-world datasets contain images paired with multivariate tabular records. Synthesizing such data is particularly challenging under DP, as the two modalities favor different private learning mechanisms while their dependence must also be preserved. To address this challenge, we propose DP-TabImage, a modality-specialized framework for private paired synthesis. DP-TabImage instantiates the factorization $p(x,y)=p_T(y)p_I(x\;|\;y)$ using a private Probabilistic Graphical Model for the multivariate table distribution and a table-conditioned diffusion model trained with DP-SGD for the conditional image distribution. To facilitate conditional learning under clipped and noisy gradients, we further pretrain the model on private table-image prototypes, pairing privately constructed attribute-conditioned images with tabular vectors derived from the already private tabular model at no additional privacy cost. Experiments on three real-world datasets show that DP-TabImage achieves a strong balance among tabular fidelity, image fidelity, and cross-modal alignment. Our analysis further reveals that visual warm-up primarily improves marginal image fidelity, whereas aligned table-image warm-up is critical for improving cross-modal correspondence. Our source code is available in the GitHub repository, https://github.com/KaiChen9909/TabImage_Syn.
- Abstract（参考訳）: 差分的プライベート(DP)合成は、表状データと画像データとを別々に研究してきたが、実世界のデータセットの多くは、多変量表状レコードと組み合わせた画像を含んでいる。
このようなデータの合成は、DPの下では特に困難であり、2つのモダリティは異なるプライベートラーニングメカニズムを好んでおり、それらの依存も保存する必要がある。
この課題に対処するため,DP-TabImageを提案する。
DP-TabImage は因子化 $p(x,y)=p_T(y)p_I(x\;|\;y)$ を多変量表分布のプライベート確率図式モデルと条件付き画像分布のDP-SGD で訓練されたテーブル条件拡散モデルを用いてインスタンス化する。
クリップ付きおよびノイズの多い勾配下での条件付き学習を容易にするため、我々はさらにプライベートなテーブルイメージのプロトタイプ上でモデルを事前訓練し、すでにプライベートなタブ状モデルから派生したタブ状ベクトルを、追加のプライバシコストなしで、プライベートに構築した属性条件付き画像とペアリングする。
実世界の3つのデータセットの実験により、DP-TabImageは、表の忠実度、画像の忠実度、およびクロスモーダルアライメントの強いバランスを達成している。
さらに,視覚的ウォームアップは画像の臨場感を改善させるのに対し,アライメント・テーブル・イメージ・ウォームアップはクロスモーダル対応を改善するのに重要であることを明らかにした。
ソースコードはGitHubリポジトリhttps://github.com/KaiChen9909/TabImage_Synで公開しています。
関連論文リスト
- From Easy to Hard++: Promoting Differentially Private Image Synthesis Through Spatial-Frequency Curriculum [18.158096061348157]
トレーニングショートカットとして周波数特徴を導入するFETA-Proを提案する。
FETA-Proは、最高性能のベースラインよりも平均25.7%の忠実度と4.1%の実用性を示している。
論文 参考訳（メタデータ） (2026-01-10T00:38:29Z) - DEFT: Decompositional Efficient Fine-Tuning for Text-to-Image Models [103.18486625853099]
DEFT(Decompositional Efficient Fine-Tuning)は、事前トレーニングされた重み行列を2つのコンポーネントに分解することで適応する。
パーソナライズのためのDreamboothおよびDreambench Plusデータセット、オブジェクトおよびシーン適応のためのInsDetデータセット、ユニバーサル画像生成フレームワークのためのVisualClozeデータセットについて実験を行った。
論文 参考訳（メタデータ） (2025-09-26T18:01:15Z) - TabRep: Training Tabular Diffusion Models with a Simple and Effective Continuous Representation [16.907006955584343]
拡散モデルはデータ生成の主要な生成モデルである。
統一された連続表現で訓練されたトレーニングアーキテクチャであるTabRepを紹介する。
この結果から,TabRepは幅広い評価スイートにおいて優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2025-04-07T07:44:27Z) - MINIMA: Modality Invariant Image Matching [52.505282811925454]
複数のクロスモーダルケースを対象とした統合画像マッチングフレームワークであるMINIMAを提案する。
生成モデルを用いて、安価だがリッチなRGBのみのマッチングデータからモダリティをスケールアップする。
MD-synでは、任意の高度なマッチングパイプラインをランダムに選択したモダリティペアで直接訓練して、クロスモーダル能力を得ることができる。
論文 参考訳（メタデータ） (2024-12-27T02:39:50Z) - DP-2Stage: Adapting Language Models as Differentially Private Tabular Data Generators [47.86275136491794]
差分プライベートデータ生成のための2段階微調整フレームワークDP-2Stageを提案する。
実験結果から、このアプローチは様々な設定やメトリクスのパフォーマンスを改善することが示された。
論文 参考訳（メタデータ） (2024-12-03T14:10:09Z) - TabDiff: a Mixed-type Diffusion Model for Tabular Data Generation [91.50296404732902]
グラフデータの混合型分布を1つのモデルでモデル化する共同拡散フレームワークであるTabDiffを紹介する。
我々の重要な革新は、数値データと分類データのための連立連続時間拡散プロセスの開発である。
TabDiffは、既存の競合ベースラインよりも優れた平均性能を実現し、ペアワイドカラム相関推定における最先端モデルよりも最大で22.5%改善されている。
論文 参考訳（メタデータ） (2024-10-27T22:58:47Z) - One-Shot Learning for Pose-Guided Person Image Synthesis in the Wild [15.379362338850767]
現在のPGPIS(Pose-Guided Person Image Synthesis)法は、大量のラベル付き三重項データに大きく依存し、ジェネレータを教師付きで訓練する。
OnePoseTransは高品質なポーズ転送結果を生成し、最先端のデータ駆動方式よりも高い安定性を提供する。
テストケース毎に、OnePoseTransはNVIDIA V100 GPUで約48秒でモデルをカスタマイズする。
論文 参考訳（メタデータ） (2024-09-15T02:42:25Z) - Differentially Private Representation Learning via Image Captioning [51.45515227171524]
画像キャプションとインターネット規模のマルチモーダルデータセットのスケールアップにより,効率的なDP表現学習が可能であることを示す。
LAION-2Bの233Mサブセット上のDPイメージキャプタ(DP-Cap)を,合理的な計算量を用いてスクラッチからトレーニングした。
論文 参考訳（メタデータ） (2024-03-04T21:52:25Z) - PrivImage: Differentially Private Synthetic Image Generation using Diffusion Models with Semantic-Aware Pretraining [13.823621924706348]
差分プライバシー(DP)画像データ合成により、企業はプライバシの懸念なしに合成画像を共有し、利用することができる。
従来の手法では、生成モデルの高度な技術と、公開データセットでの事前学習を取り入れて、例外的なDP画像データを生成する。
本稿では,事前学習データを慎重に選択する新しいDP画像合成手法PRIVIMAGEを提案する。
論文 参考訳（メタデータ） (2023-10-19T14:04:53Z) - ViTAEv2: Vision Transformer Advanced by Exploring Inductive Bias for
Image Recognition and Beyond [76.35955924137986]
我々は、内在性IBを畳み込み、すなわちViTAEから探索するビジョントランスフォーマーを提案する。
ViTAEはいくつかの空間ピラミッド縮小モジュールを備えており、入力イメージをリッチなマルチスケールコンテキストでトークンに埋め込む。
我々は、ImageNet検証セット上で88.5%のTop-1分類精度と、ImageNet実検証セット上で最高の91.2%のTop-1分類精度を得る。
論文 参考訳（メタデータ） (2022-02-21T10:40:05Z) - Locally Masked Convolution for Autoregressive Models [107.4635841204146]
LMConvは標準的な2Dコンボリューションの簡単な修正であり、任意のマスクを画像の各位置の重みに適用することができる。
我々は,パラメータを共有するが生成順序が異なる分布推定器のアンサンブルを学習し,全画像密度推定の性能を向上させる。
論文 参考訳（メタデータ） (2020-06-22T17:59:07Z)
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。