論文の概要: PrivateHub: Contrastive Diffusion Model for Private Sensor-Intensive Environment Data Generation

• arxiv url: http://arxiv.org/abs/2609.02958v1
• Date: Wed, 02 Sep 2026 04:35:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:38.803868
• Title: PrivateHub: Contrastive Diffusion Model for Private Sensor-Intensive Environment Data Generation
• Title（参考訳）: PrivateHub: センサ集約型環境データ生成のためのコントラスト拡散モデル
• Abstract要約: Privatehubは、プライベートなアプリケーションを隠蔽しながら、非プライベートなアプリケーションを検出可能な合成マルチセンサーストリームを生成する。 実世界の3つのマルチセンサーデータセットの実験では、Privatehubはプライベートアプリケーションの正確性を40～50%低下させ、非プライベートパフォーマンスを損なうことなく実現している。
• 参考スコア（独自算出の注目度）: 6.094566419409445
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sensor-intensive environments enable many intelligent services by inferring user applications from heterogeneous data streams. However, not all applications should be exposed: users want some activities to stay private. This creates a tension between inferring applications for useful services and preventing unwanted inference. Existing approaches such as differential privacy and rule-based filtering protect individual streams but cannot address the privacy risk from cross-sensor inference. We introduce Privatehub, which uses contrastive learning within a diffusion model to generate synthetic multi-sensor streams that keep non-private applications detectable while concealing private ones. Privatehub has two stages: App-Conditioned Pre-training (ACP), which conditions the model on multi-sensor data with application embeddings, and App-Aware Fine-tuning (AAF), which separates private from non-private data via contrastive learning. We also define a threat model for the multi-sensor sharing setting. Experiments on three real-world multi-sensor datasets show Privatehub lowers private-application accuracy by 40 to 50\% without hurting non-private performance, and stays robust when the attacker retrains on the synthetic data.
• Abstract（参考訳）: センサ集約環境は、異種データストリームからユーザアプリケーションを推論することで、多くのインテリジェントなサービスを可能にする。 しかし、すべてのアプリケーションが公開されるべきではない。 これにより、有用なサービスのアプリケーション推論と望ましくない推論の防止の間に緊張が生じます。 差分プライバシーやルールベースのフィルタリングといった既存のアプローチは、個々のストリームを保護するが、クロスセンサー推論によるプライバシーリスクには対処できない。 拡散モデル内でコントラスト学習を用いて,非プライベートなアプリケーションを検出し,プライベートなアプリケーションを隠蔽する合成マルチセンサストリームを生成するPrivatehubを紹介する。 Privatehubには2つのステージがある: App-Conditioned Pre-training (ACP)、アプリケーション埋め込みでマルチセンサーデータにモデルを条件付けるApp-Aware Fine-tuning (AAF)、コントラスト学習を通じてプライベートと非プライベートデータを分離するApp-Aware Fine-tuning (AAF)。 また、マルチセンサ共有設定のための脅威モデルも定義する。 実世界の3つのマルチセンサーデータセットの実験では、Privatehubはプライベートアプリケーションの精度を40～50\%低下させ、非プライベートなパフォーマンスを損なうことなく、攻撃者が合成データで再トレーニングした場合も堅牢である。

関連論文リスト

• Adversary-Aware Private Inference over Wireless Channels [51.93574339176914]
  ワイヤレスエッジデバイスにおけるAIベースのセンシングは、人工知能(AI)アプリケーションを大幅に強化する可能性がある。 機密性の高い個人情報は敵によって再構築できるため、プライバシー侵害のリスクを軽減するために特徴の変換が必要である。 本稿では,デバイスがモデルサーバに送信する前に抽出した特徴の変換を適用する,プライバシ保護型AIベースセンシングのための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-23T13:02:14Z)
• Dynamic User-controllable Privacy-preserving Few-shot Sensing Framework [0.589889361990138]
  PrivCLIPは、ユーザコントロール可能な、数ショットのプライバシ保護センシングフレームワークである。 PrivCLIPを使えば、ユーザーはアクティビティを機密性(ブラックリスト)、非機密性(ホワイトリスト)、中立性(グレイリスト)と分類することで、プライバシの好みを指定および変更することができる。
  論文  参考訳（メタデータ） (2025-08-06T00:44:11Z)
• Machine Learning with Privacy for Protected Attributes [56.44253915927481]
  差分プライバシー(DP)の定義を洗練し、機能差分プライバシー(FDP)と呼ばれるより汎用的で柔軟なフレームワークを作成する。 私たちの定義はシミュレーションに基づいており、プライバシの追加/削除と置き換えの両方が可能で、保護された機能と非保護された機能の任意の分離を処理できます。 各種機械学習タスクにフレームワークを適用し,パブリック機能が利用可能であればDP学習モデルの実用性を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2025-06-24T17:53:28Z)
• PrivDiffuser: Privacy-Guided Diffusion Model for Data Obfuscation in Sensor Networks [4.91258288207688]
  IoT(Internet of Things)デバイスによって収集されたセンサデータは、個人に関する機密性の高い個人情報を明らかにすることができる。 生成モデルによって強化されたデータ難読化は、合成データを生成するための有望なアプローチである。 データユーティリティとプライバシのトレードオフを優れたものにする新しいデータ難読化手法であるPrivDiffuserを提案する。
  論文  参考訳（メタデータ） (2024-12-19T03:47:12Z)
• Activity Recognition on Avatar-Anonymized Datasets with Masked Differential Privacy [64.32494202656801]
  プライバシを保存するコンピュータビジョンは、機械学習と人工知能において重要な問題である。 本稿では,ビデオデータセット中の感性のある被験者を文脈内の合成アバターに置き換える匿名化パイプラインを提案する。 また、匿名化されていないがプライバシーに敏感な背景情報を保護するため、MaskDPを提案する。
  論文  参考訳（メタデータ） (2024-10-22T15:22:53Z)
• Position: Considerations for Differentially Private Learning with Large-Scale Public Pretraining [75.25943383604266]
  大規模なWebスクレイプデータセットの使用は、差分プライバシ保存と見なすべきかどうかを疑問視する。 Webデータ上で事前訓練されたこれらのモデルを“プライベート”として公開することで、市民のプライバシーに対する信頼を意味のあるプライバシの定義として損なう可能性があることを警告します。 公的な事前学習がより普及し、強力になるにつれて、私的な学習分野への道のりを議論することで、我々は結論づける。
  論文  参考訳（メタデータ） (2022-12-13T10:41:12Z)
• Blinder: End-to-end Privacy Protection in Sensing Systems via Personalized Federated Learning [5.803565897482636]
  本稿では、分散化されたデータに基づいて訓練されたセンサデータ匿名化モデルを提案し、データユーティリティとプライバシの間に望ましいトレードオフを打つ。 我々の匿名化モデルはBlinderと呼ばれ、変分オートエンコーダと1つまたは複数の識別器ネットワークを逆行的に訓練した。
  論文  参考訳（メタデータ） (2022-09-24T16:22:43Z)
• Don't Generate Me: Training Differentially Private Generative Models with Sinkhorn Divergence [73.14373832423156]
  そこで我々はDP-Sinkhornを提案する。DP-Sinkhornは個人データからデータ分布を差分プライバシで学習するための新しいトランスポートベース生成手法である。 差分的にプライベートな生成モデルを訓練するための既存のアプローチとは異なり、我々は敵の目的に頼らない。
  論文  参考訳（メタデータ） (2021-11-01T18:10:21Z)
• Robustness Threats of Differential Privacy [70.818129585404]
  我々は、いくつかの設定で差分プライバシーをトレーニングしたネットワークが、非プライベートバージョンに比べてさらに脆弱であることを実験的に実証した。 本研究では,勾配クリッピングや雑音付加などのニューラルネットワークトレーニングの主成分が,モデルの堅牢性に与える影響について検討する。
  論文  参考訳（メタデータ） (2020-12-14T18:59:24Z)
• Generating private data with user customization [9.415164800448853]
  モバイルデバイスは大量のデータを生成、保存し、機械学習モデルを強化することができる。 しかし、このデータには、データのリリースを防止するデータ所有者特有のプライベート情報が含まれている可能性がある。 有用な情報を保持しつつ、ユーザ固有のプライベート情報とデータとの相関を小さくしたい。
  論文  参考訳（メタデータ） (2020-12-02T19:13:58Z)

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。