論文の概要: Privacy-Preserving Deep Joint Source-Channel Coding with In-Loop Concept Erasure

• arxiv url: http://arxiv.org/abs/2609.13393v1
• Date: Fri, 11 Sep 2026 18:02:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 12:40:38.813173
• Title: Privacy-Preserving Deep Joint Source-Channel Coding with In-Loop Concept Erasure
• Title（参考訳）: In-Loop概念消去を用いたプライバシー保護型ディープジョイントソースチャネル符号化
• Abstract要約: 可変情報ボトルネック (VIB) エンコーダ内でのループ内最小二乗概念消去 (LEACE) の統合に寄与するLEAPSCを提案する。 追加のコンポーネント、すなわち、CVaR(Con Conditional Value-at-risk)のテール感度プライバシー、FiLM(Feature-wise linear modulation)信号-トノア比条件付け、チャンネル条件間の堅牢性の改善。 CelebA、FairFace、Google Speech Commandsでは、LEAPSCがそれぞれ0.862、0.755、0.925のタスク精度に達し、ラベルのみのフロアの前後で攻撃者の精度が向上した。
• 参考スコア（独自算出の注目度）: 1.7849339006560665
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep joint source-channel coding (DeepJSCC) transmits learned semantic features efficiently but can leak sensitive attributes such as gender, race, or speaker identity. We propose LEAPSC (LEACE-in-the-loop privacy for semantic communication), whose core contribution is the integration of in-loop least-squares concept erasure (LEACE) within a variational information bottleneck (VIB) encoder. By periodically refitting the projection operator during training, LEAPSC couples the encoder dynamics to the erasure mechanism, driving attribute-conditional mean differences toward zero within each task-label group on the fitting sample. Additional components, namely conditional value-at-risk (CVaR) tail-sensitive privacy, feature-wise linear modulation (FiLM) signal-to-noise ratio conditioning, and Lagrangian dual ascent, improve robustness across channel conditions and over the high-leakage tail of samples. On CelebA, FairFace, and Google Speech Commands, LEAPSC reaches task accuracy of 0.862, 0.755, and 0.925 respectively, with attacker accuracy at or below the label-only floor on CelebA (0.548 vs. floor 0.580) and within 2 percentage points (pp) of chance elsewhere, improving over an information-bottleneck adversarial baseline (IBAL) at a matched 52-epoch budget by +3.6, +2.5, and +1.3 pp (Welch's t-test, p=0.019 on CelebA).
• Abstract（参考訳）: ディープジョイントソースチャネル符号化(DeepJSCC)は、学習したセマンティックな特徴を効率よく伝達するが、性別、人種、話者アイデンティティなどのセンシティブな属性を漏洩させる可能性がある。 そこで我々はLEAPSC (LEACE-in-loop privacy for semantic communication, LEACE-the-loop privacy for semantic communication)を提案する。 訓練中にプロジェクション演算子を定期的に調整することにより、LEAPSCはエンコーダダイナミクスを消去機構に結合し、各タスクラベル群内の属性条件平均差をゼロに駆動する。 追加のコンポーネントとして、CVaR(Conditional Value-at-risk)テール感度プライバシ、FiLM(Feature-wise linear modulation)シグナル-雑音比条件付け、ラグランジアンデュアルアシス(Lagrangian dual Ascent)がある。 CelebA、FairFace、Google Speech Commandsでは、LEAPSCはそれぞれ0.862、0.755、0.925のタスク精度に達し、CelebAのラベルのみのフロア(0.548対0.580)と他の場所で2ポイント(pp)以内の確率で攻撃者が攻撃する。

関連論文リスト

• Reversibility-Verified De-identification for Cloud-Local LLM Inference: A Locally Certified Dehydrate-Rehydrate Loop with Layered Assurance (DR-SL) [1.802678437602184]
  DR-SL (Dehydrate-Rehydrate with Self-Learning loop) は、脱同定完全性を2つの測定可能な条件として定式化する。 完全局所二分岐検証器は、終了が保証されたレキソグラフィゲートの下で脱水を繰り返す。 ファノ型の低い境界、フグの目撃者、そしてレート・プライバシ・フィージビリティの基準を証明し、その範囲を明確化します。
  論文  参考訳（メタデータ） (2026-09-14T01:04:58Z)
• LeVJEPA: Efficient & Scalable Video Pretraining without the Heuristics [50.45297537821907]
  我々はLeJEPAの崩壊のない目的の下で訓練された最初のビデオエンコーダLeVJEPAを紹介する。 単一のエンコーダは、クリップのグローバルおよびローカルビューよりも分散損失で訓練される。 LeVJEPAはV-JEPA 2とVT-S/B/Lの5.6から20.8倍の速さで一致または超える。
  論文  参考訳（メタデータ） (2026-08-27T17:26:24Z)
• An Adaptive Gradient Clipping and Noise Injection Mechanism for Differentially Private Federated Learning [1.5876034680722233]
  本稿では, DDP-SA適応性, 適応型勾配クリッピングと雑音付加機構について述べる。 静的なDDP-SAベースラインと比較して、DDP-SA-Adaptiveは通信ラウンドの数を6.81%減らし、トータルトレーニングタイムを19.21%減らし、ラウンド平均トレーニング時間を13.33%減らした。 また、テスト損失を98.74%削減し、テストR2を3.41%増加させ、モデルの精度が向上した。
  論文  参考訳（メタデータ） (2026-08-15T10:10:34Z)
• Task-Oriented Candidate-Latent Feedback for Coarse-to-Fine Sensing in Distributed OFDM-ISAC Networks [6.604029885021074]
  将来の統合センシング通信(ISAC)アーキテクチャは、推論を行うセンシング機能(SF)から測定を取得するセンシングエンティティ(SE)を分離する。 単一ターゲット推定のための候補遅延フィードバックを用いた学習に基づく粗大なセンサパイプラインを提案する。
  論文  参考訳（メタデータ） (2026-08-04T08:26:06Z)
• WISV: Wireless-Informed Semantic Verification for Distributed Speculative Decoding in Device-Edge LLM Inference [56.297697169678095]
  WISV(Wireless-Informed Semantic Verification)は、分散投機的復号化フレームワークである。 WISVは最大60.8%の許容長の増加、37.3%の対話ラウンドの削減、31.4%のエンドツーエンドレイテンシの改善を実現している。 NVIDIA Jetson AGX OrinとA40搭載サーバからなるハードウェアテストベッド上でWISVを検証する。
  論文  参考訳（メタデータ） (2026-04-20T01:29:56Z)
• Open-Set Vein Biometric Recognition with Deep Metric Learning [0.0]
  我々は厳密なオープンセット制約の下でDeep Metric Learning(DML)の計算境界を厳格に評価する。 提案手法は,非ネイティブなL2正規化埋め込みを学習し,類似性しきい値を用いたプロトタイプベースマッチングを採用する。 大規模MMCBNU 6000ベンチマークでは、我々の最良のモデル(ResNet50-CBAM)がOSCR 0.9945、AUROC 0.9974、EER 1.57%を達成し、高い識別精度 (99.6% Rank-1) を維持しながら、未知の被験者を頑健に拒否する。
  論文  参考訳（メタデータ） (2026-04-16T11:03:11Z)
• UniCBE: An Uniformity-driven Comparing Based Evaluation Framework with Unified Multi-Objective Optimization [19.673388630963807]
  統一統一性駆動型CBEフレームワークUniCBEを提案する。 AlpacaEvalベンチマークでは、UniCBEは評価予算の17%以上を削減し、Pearsonと地上の真実との相関は0.995を超えている。 新しいモデルが継続的に導入されるシナリオでは、UniCBEは評価コストの50%以上を節約できる。
  論文  参考訳（メタデータ） (2025-02-17T05:28:12Z)
• Federated Contrastive Learning for Personalized Semantic Communication [55.46383524190467]
  我々は,パーソナライズされたセマンティックコミュニケーションを支援することを目的とした,協調型コントラスト学習フレームワークを設計する。 FedCLは、複数のクライアントにわたるローカルセマンティックエンコーダと、基地局が所有するグローバルセマンティックデコーダの協調トレーニングを可能にする。 分散クライアント間の異種データセットから生じるセマンティック不均衡問題に対処するために,コントラスト学習を用いてセマンティックセントロイドジェネレータを訓練する。
  論文  参考訳（メタデータ） (2024-06-13T14:45:35Z)
• Patch-Level Contrasting without Patch Correspondence for Accurate and Dense Contrastive Representation Learning [79.43940012723539]
  ADCLRは、正確で高密度な視覚表現を学習するための自己教師型学習フレームワークである。 提案手法は, コントラッシブな手法のための新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-06-23T07:38:09Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• Over-the-Air Federated Learning with Privacy Protection via Correlated Additive Perturbations [57.20885629270732]
  我々は、複数のユーザ/エージェントからエッジサーバへの勾配更新をOtA(Over-the-Air)で送信することで、無線フェデレーション学習のプライバシー面を考察する。 従来の摂動に基づく手法は、トレーニングの精度を犠牲にしてプライバシー保護を提供する。 本研究では,エッジサーバにおけるプライバシリークの最小化とモデル精度の低下を目標とする。
  論文  参考訳（メタデータ） (2022-10-05T13:13:35Z)

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。