論文の概要: Semantic Privacy Protection with Utility Preservation for 3D Point Clouds

• arxiv url: http://arxiv.org/abs/2609.13823v1
• Date: Sat, 12 Sep 2026 09:15:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.5617
• Title: Semantic Privacy Protection with Utility Preservation for 3D Point Clouds
• Title（参考訳）: 3次元点雲の実用性を考慮したセマンティックプライバシ保護
• Abstract要約: 本稿では,ポイントクラウドのためのクラス転送ベースのセマンティック暗号化フレームワークを提案する。 我々は,共有バックボーン正規化フローを用いた統一潜在空間を構築し,パラメータ効率の高いクラス条件適応を実現するためにLoRAとFiLMを組み合わせた。 分類とセグメンテーションのベンチマーク実験により,提案手法が制御可能なセマンティックトランスフォーメーションを実現することを示す。
• 参考スコア（独自算出の注目度）: 23.389149727027824
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Point cloud data face serious semantic privacy risks during acquisition, transmission, and cross-institutional sharing. Existing methods mostly rely on geometric perturbation or destructive encryption, which can reduce the recognizability of the original class but often impair downstream usability. This paper proposes a class-transfer-based semantic encryption framework for point clouds, aiming to conceal original class information while preserving task utility and supporting authorized recovery. Specifically, we construct a unified latent space with a shared-backbone Normalizing Flow, and combine LoRA and FiLM to achieve parameter-efficient class-conditional adaptation. We further introduce diffusion-guided flow alignment to regularize the latent distribution, construct an energy-based category transition graph, and obtain an optimal class-transfer table through global matching. Then, a latent-space Neural ODE continuously evolves source-class latents into target-class latents, which are decoded into target-class point clouds through the inverse flow. We adopt attacker-oriented metrics, including New-Class Recognition Rate (NCRR), Original-Class Leakage Rate (OCLR), and Original Label Recovery Rate (OLRR), to evaluate privacy and utility. Experiments on classification and segmentation benchmarks show that the proposed method achieves controllable semantic transformation, effectively reduces original-class semantic leakage, preserves downstream learnability in the protected domain, and supports reliable authorized reconstruction.
• Abstract（参考訳）: ポイントクラウドデータは、取得、送信、施設間の共有の間、深刻なセマンティックなプライバシーリスクに直面します。 既存の手法は、主に幾何学的摂動や破壊的な暗号化に依存しており、元のクラスの認識性を低下させるが、しばしば下流のユーザビリティを損なう。 本稿では,タスクユーティリティを保ちながら元のクラス情報を隠蔽し,認証されたリカバリをサポートすることを目的とした,ポイントクラウドのためのクラス転送ベースのセマンティック暗号化フレームワークを提案する。 具体的には、共有バックボーン正規化フローを用いた統一潜在空間を構築し、LoRAとFiLMを組み合わせてパラメータ効率のよいクラス条件適応を実現する。 さらに、拡散誘導流のアライメントを導入し、潜伏分布を規則化し、エネルギーベースのカテゴリ遷移グラフを構築し、グローバルマッチングを通して最適なクラス転送テーブルを得る。 次に、ラテント空間ニューラルODEは、ソースクラスのラテントを連続的にターゲットクラスのラテントに進化させ、逆流を通してターゲットクラスの点雲にデコードする。 我々は、プライバシとユーティリティを評価するために、NCRR(New-Class Recognition Rate)、OCLR(Original-Class Leakage Rate)、OLRR(Original Label Recovery Rate)などの攻撃指向メトリクスを採用する。 分類とセグメンテーションのベンチマーク実験により,提案手法は制御可能なセマンティックトランスフォーメーションを実現し,オリジナルクラスのセマンティックリークを効果的に低減し,保護領域における下流の学習可能性を維持し,信頼性の高い復元を支援することを示す。

関連論文リスト

• Enhancing Gradient Inversion Attacks in Federated Learning via Hierarchical Feature Optimization [56.95448807869383]
  フェデレートラーニング(FL)は、プライバシを保存する分散機械学習の魅力的なパラダイムとして登場した。 近年の研究では、FLシステムで交換される勾配もプライバシー漏洩に弱いことが報告されている。 我々は textbfGradient textbfInversion over textbfFeature textbfDomains (GIFD) を提案する。
  論文  参考訳（メタデータ） (2026-04-01T14:32:15Z)
• Rethinking Transferable Adversarial Attacks on Point Clouds from a Compact Subspace Perspective [55.919842734983156]
  CoSAは、共有された低次元セマンティック空間内で機能する転送可能なアタックフレームワークである。 CoSAは、最先端のトランスファー可能な攻撃を一貫して上回っている。
  論文  参考訳（メタデータ） (2026-01-30T15:48:11Z)
• 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)
• Beyond Memorization: Gradient Projection Enables Selective Learning in Diffusion Models [3.4064487905075294]
  大規模テキスト・画像拡散モデルの記憶化は、セキュリティと知的財産権の重大なリスクをもたらす。 概念レベルの機能排除の厳格な要件を強制するために設計されたグラディエント・プロジェクション・フレームワークを導入する。 我々のアプローチは、IPセーフでプライバシ保護された生成AIのための新しいパラダイムを確立します。
  論文  参考訳（メタデータ） (2025-12-12T00:50:38Z)
• Improving Black-Box Generative Attacks via Generator Semantic Consistency [51.470649503929344]
  ジェネレーティブアタックは テスト時に 1つのフォワードパスで 敵の例を生成する 初期ジェネレータの中間機能をEMA教師に整列させることで意味的整合性を実現する。 我々のアプローチは、ブラックボックス転送の一貫性を保ちながら、既存のジェネレーティブアタックにシームレスに統合することができる。
  論文  参考訳（メタデータ） (2025-06-23T02:35:09Z)
• Secure Distributed Learning for CAVs: Defending Against Gradient Leakage with Leveled Homomorphic Encryption [0.0]
  ホモモルフィック暗号化(HE)は、差分プライバシー(DP)とセキュアマルチパーティ計算(SMPC)に代わる有望な代替手段を提供する 資源制約のある環境において,フェデレートラーニング(FL)に最も適したHE方式の評価を行った。 我々は、モデル精度を維持しながら、Gradients (DLG)攻撃からのDeep Leakageを効果的に軽減するHEベースのFLパイプラインを開発した。
  論文  参考訳（メタデータ） (2025-06-09T16:12:18Z)
• DiffCom: Decoupled Sparse Priors Guided Diffusion Compression for Point Clouds [54.96190721255167]
  ロスシー圧縮は、ポイントクラウドをストレージの潜在ポイントに変換するためのオートエンコーダに依存している。 本稿では,特に低レベルにおいて高い復元品質を実現するための拡散型フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-21T05:41:35Z)
• Source-Free Domain Adaptive Object Detection with Semantics Compensation [54.00183496587841]
  Weak-to-strong Semantics Compensation (WSCo)を導入する。 WSCoは、クラス関連セマンティクスを補う。 WSCoは一般的なプラグインとして実装することができ、既存のSFODパイプラインと容易に統合できます。
  論文  参考訳（メタデータ） (2024-10-07T23:32:06Z)
• GIFD: A Generative Gradient Inversion Method with Feature Domain Optimization [52.55628139825667]
  Federated Learning(FL)は、クライアントのプライバシを保護するための有望な分散機械学習フレームワークとして登場した。 近年の研究では、事前学習された生成逆ネットワーク(GAN)を事前知識として活用することにより、攻撃者が共有勾配を逆転し、FLシステムに対する機密データを回復できることが示されている。 textbfGradient textbfInversion over textbfFeature textbfDomains (GIFD)を提案する。
  論文  参考訳（メタデータ） (2023-08-09T04:34:21Z)
• Adaptive Semantic Consistency for Cross-domain Few-shot Classification [27.176106714652327]
  クロスドメイン・ショット分類(CD-FSC)は、いくつかのサンプルを用いて新規なターゲットクラスを特定することを目的としている。 本稿では,ドメイン間の堅牢性を向上する,シンプルなプラグアンドプレイ適応セマンティック一貫性フレームワークを提案する。 提案したASCは、ソースドメインの知識を明示的に伝達することで、モデルがターゲットドメインに過度に適合しないようにする。
  論文  参考訳（メタデータ） (2023-08-01T15:37:19Z)
• Learning Aligned Cross-Modal Representation for Generalized Zero-Shot Classification [17.177622259867515]
  一般化ゼロショット分類(GZSC)のためのアラインド・クロスモーダル表現(adigned Cross-Modal Representations, ACMR)の学習による革新的オートエンコーダネットワークを提案する。 具体的には,学習型分類器によって導かれる潜在部分空間上でのクロスモーダルな潜在特徴のアライメントを強化するために,新しい視覚・セマンティックアライメント(VSA)法を提案する。 さらに,潜伏変数の識別能力を高めるとともに,潜伏変数が崩壊する可能性を低減するための新しい情報拡張モジュール (IEM) を提案する。
  論文  参考訳（メタデータ） (2021-12-24T03:35:37Z)
• FedBoosting: Federated Learning with Gradient Protected Boosting for Text Recognition [7.988454173034258]
  フェデレートラーニング(FL)フレームワークは、データの集中化やデータオーナ間の共有なしに、共有モデルを協調的に学習することを可能にする。 本稿では,非独立性および非独立性分散(Non-IID)データに基づくジョイントモデルの一般化能力について述べる。 本稿では,FLの一般化と勾配リーク問題に対処する新しいブースティングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-14T18:47:23Z)

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。