論文の概要: Adaptive Diffusion Freezing: Privacy-preserving Diffusion Models Against Membership Inference Attacks
- arxiv url: http://arxiv.org/abs/2609.10608v1
- Date: Tue, 08 Sep 2026 08:58:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-11 23:53:35.075822
- Title: Adaptive Diffusion Freezing: Privacy-preserving Diffusion Models Against Membership Inference Attacks
- Title（参考訳）: 適応拡散凍結--会員推論攻撃に対するプライバシー保護拡散モデル
- Abstract要約: プライバシー保護拡散モデル(Adaptive Diffusion Freezing, ADF)の新たな枠組みを提案する。
ADFは、マスクマトリックスを介して拡散タイムステップ間で異なるデータサブセットの参加を明示的に制御する。
記憶傾向に基づくMIAリスクを推定するために,事前学習に基づくリスク対応凍結ポリシーを導入する。
- 参考スコア（独自算出の注目度）: 7.323008315491155
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Diffusion models have achieved remarkable success in generative tasks across various areas, however their training process raises significant privacy concerns, particularly under membership inference attacks (MIAs). Prior studies on privacy-preserving of diffusion models fail to balance privacy, utility, and efficiency. To address this gap, we propose a novel framework of privacy-preserving diffusion models, Adaptive Diffusion Freezing (ADF), which can defend against MIAs with better trade-off. By leveraging cross-timestep adaptive freezing training, ADF explicitly control the participation of different data subsets across diffusion timesteps via a mask matrix, which reduces the over-memorization and leads to more uniform model behaviors between member and nonmember samples. To construct a freezing mask matrix that effectively reduce membership leakage without unnecessarily harming generation quality, we introduce a pretraining-based risk-aware freezing policy to estimate MIA risk based on memorization tendency, and suppress the contribution of the subset-timestep pairs with higher risk. Evaluations on multiple datasets demonstrate that ADF provides effective defense performance as well as state-of-the-art privacy-utility-efficiency trade-off performance compared to various baselines.
- Abstract（参考訳）: 拡散モデルは、様々な領域における生成タスクにおいて顕著な成功を収めてきたが、そのトレーニングプロセスは、特にメンバーシップ推論攻撃(MIA)の下で、重要なプライバシー上の懸念を提起する。
拡散モデルのプライバシ保存に関する以前の研究では、プライバシ、ユーティリティ、効率のバランスが取れなかった。
このギャップに対処するため,プライバシー保護拡散モデルである適応拡散凍結(Adaptive Diffusion Freezing, ADF)を提案する。
クロスタイム・アダプティブ・フリーズトレーニングを活用することで、ADFは、マスクマトリックスを介して拡散タイムステップ間の異なるデータサブセットの参加を明示的に制御し、オーバーメモリ化を低減し、メンバーと非メンバーのモデル動作をより均一にする。
生成品質を損なうことなく、メンバーシップリークを効果的に低減する冷凍マスクマトリックスを構築するために、記憶傾向に基づいてMIAリスクを推定する事前訓練ベースのリスク対応凍結ポリシーを導入し、リスクの高いサブセットタイムステップペアの寄与を抑制する。
複数のデータセットに対する評価では、ADFは、さまざまなベースラインと比較して、最先端のプライバシ・ユーティリティ・効率のトレードオフパフォーマンスと同様に、効果的な防御性能を提供する。
関連論文リスト
- Neighborhood Blending: A Lightweight Inference-Time Defense Against Membership Inference Attacks [5.468130838517792]
近隣ブレンディング(Neighborhood Blending)と呼ばれる新しい予測時防衛機構を導入する。
提案手法は,敵と区別できない,一貫した信頼パターン,メンバと非メンバのレンダリングを実現する。
これはモデルに依存しないアプローチであり、実用的で軽量なソリューションを提供し、モデルユーティリティを犠牲にすることなくプライバシを強化する。
論文 参考訳（メタデータ） (2026-02-13T14:01:21Z) - Causal Autoregressive Diffusion Language Model [70.7353007255797]
CARDは厳密な因果注意マスク内の拡散過程を再構成し、単一の前方通過で密集した1対1の監視を可能にする。
我々の結果は,CARDが並列生成のレイテンシの利点を解放しつつ,ARMレベルのデータ効率を実現することを示す。
論文 参考訳（メタデータ） (2026-01-29T17:38:29Z) - Deep Leakage with Generative Flow Matching Denoiser [54.05993847488204]
再建プロセスに先立って生成フローマッチング(FM)を組み込んだ新しい深部リーク攻撃(DL)を導入する。
当社のアプローチは、ピクセルレベル、知覚的、特徴に基づく類似度測定において、最先端の攻撃よりも一貫して優れています。
論文 参考訳（メタデータ） (2026-01-21T14:51:01Z) - Boosting Fidelity for Pre-Trained-Diffusion-Based Low-Light Image Enhancement via Condition Refinement [63.54516423266521]
事前学習拡散ベース(PTDB)法は、しばしばコンテンツ忠実さを犠牲にして知覚的リアリズムを高める。
本稿では,事前学習した拡散モデルにおける条件付けのための新しい最適化手法を提案する。
我々のアプローチはプラグアンドプレイであり、より効率的な制御を提供するために既存の拡散ネットワークにシームレスに統合される。
論文 参考訳（メタデータ） (2025-10-20T02:40:06Z) - Towards Privacy-Preserving and Heterogeneity-aware Split Federated Learning via Probabilistic Masking [16.758567358839294]
スプリット・フェデレート・ラーニング(SFL)は、従来のフェデレート・ラーニング(FL)に代わる効果的な代替手段として登場した。
本稿では,確率的マスクトレーニングを取り入れたスケーラブルかつプライバシ保護型SFLフレームワークPM-SFLを提案する。
画像および無線センシングタスクの実験は、PM-SFLが一貫して精度、通信効率、プライバシー攻撃を改善することを示した。
論文 参考訳（メタデータ） (2025-09-18T04:28:08Z) - Unveiling Impact of Frequency Components on Membership Inference Attacks for Diffusion Models [51.179816451161635]
メンバーシップ推論アタック(MIA)は、モデルのトレーニングフェーズで特定のデータが使用されたかどうかを確認するように設計されている。
我々はそれらを、会員識別のための会員スコアを計算する統一的な汎用パラダイムに定式化する。
このパラダイムの下では、拡散モデルが高周波情報を処理する方法において、既存の攻撃が固有の欠陥を見落としていることを実証的に見出す。
本稿では, プラグアンドプレイ方式の高周波フィルタモジュールを提案する。
論文 参考訳（メタデータ） (2025-05-27T09:50:11Z) - AdaMixup: A Dynamic Defense Framework for Membership Inference Attack Mitigation [3.593261887572616]
メンバーシップ推論攻撃は、ディープラーニングモデルのトレーニングにおいて重要なプライバシー上の懸念として浮上している。
AdaMixupは、モデルのメンバシップ推論攻撃に対する堅牢性を高めるために、適応的なミックスアップ技術を使用している。
論文 参考訳（メタデータ） (2025-01-04T04:21:48Z) - Dual-Model Defense: Safeguarding Diffusion Models from Membership Inference Attacks through Disjoint Data Splitting [6.984396318800444]
拡散モデルは、メンバーシップ推論攻撃(MIA)に弱いことが証明されている。
本稿では,MIAに対して拡散モデルを保護するための新しい2つのアプローチを提案する。
論文 参考訳（メタデータ） (2024-10-22T03:02:29Z) - Model Inversion Attacks Through Target-Specific Conditional Diffusion Models [54.69008212790426]
モデル反転攻撃(MIA)は、ターゲット分類器のトレーニングセットからプライベートイメージを再構築することを目的としており、それによってAIアプリケーションにおけるプライバシー上の懸念が高まる。
従来のGANベースのMIAは、GANの固有の欠陥と潜伏空間における最適化の偏りにより、劣った遺伝子的忠実度に悩まされる傾向にある。
これらの問題を緩和するために拡散モデル反転(Diff-MI)攻撃を提案する。
論文 参考訳（メタデータ） (2024-07-16T06:38:49Z) - Differentially Private Federated Learning with Laplacian Smoothing [72.85272874099644]
フェデレートラーニングは、ユーザ間でプライベートデータを共有せずに、協調的にモデルを学習することで、データのプライバシを保護することを目的としている。
敵は、リリースしたモデルを攻撃することによって、プライベートトレーニングデータを推測することができる。
差別化プライバシは、トレーニングされたモデルの正確性や実用性を著しく低下させる価格で、このような攻撃に対する統計的保護を提供する。
論文 参考訳（メタデータ） (2020-05-01T04:28:38Z)
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。