論文の概要: Protecting Sensitive Data in Image Synthesis via PAC-Private Adaptation for Diffusion Models

• arxiv url: http://arxiv.org/abs/2610.04038v1
• Date: Fri, 02 Oct 2026 20:42:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-12 20:49:05.978462
• Title: Protecting Sensitive Data in Image Synthesis via PAC-Private Adaptation for Diffusion Models
• Title（参考訳）: 拡散モデルに対するPAC-Private Adaptationによる画像合成における感度データの保護
• Abstract要約: 再構成プライバシーを実現するために,PAC-private拡散モデル適応を提案する。 LoRA や Textual Inversion を用いて,データ依存拡散モデルコンポーネントを学習する。 DP-SGDとは異なり,本手法は最適化後1回だけ学習成分を摂動させる。
• 参考スコア（独自算出の注目度）: 37.90059686300155
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Synthetic data are increasingly used as an alternative to sharing sensitive records. However, synthetic data generation does not guarantee privacy, as diffusion models trained or adapted on sensitive data remain susceptible to reconstruction attacks. Moreover, while approaches that use differential privacy (DP), such as DP-SGD, achieve provably private diffusion model training, the repeated gradient clipping and noise injection they require result in significant utility loss. An important limitation of DP-based privacy is that, although it has a provable relationship to reconstruction privacy (RP), that relationship is indirect. RP is defined in terms of limiting how much an adversary's posterior distribution over sensitive data differs from the prior, whereas DP provides guarantees by bounding the sensitivity of outputs to changes in individual records. This indirection is an important source of the utility loss. To address this, we propose a PAC-private diffusion model adaptation to achieve reconstruction privacy. Since PAC-privacy is defined directly with respect to posterior advantage over the prior, it directly implicates RP. To obtain scalable PAC privatization in high dimensions, we first learn a compact data-dependent diffusion model component using LoRA or Textual Inversion, and then calibrate anisotropic Gaussian noise from the covariance of repeated mechanism outputs. Unlike DP-SGD, our method perturbs the learned component only once after optimization, thereby avoiding privacy composition across gradient updates. We evaluate the framework on few-shot concept personalization and full-dataset image synthesis, and show that the proposed approach better preserves subject identity, generation quality, and downstream classification accuracy than DP while achieving the same reconstruction privacy.
• Abstract（参考訳）: センシティブな記録を共有する代替手段として、合成データの利用が増えている。 しかしながら、センシティブなデータに基づいてトレーニングまたは適用された拡散モデルは、再構築攻撃の影響を受けないため、合成データ生成はプライバシを保証しない。 さらに、DP-SGDのような差分プライバシー(DP)を利用するアプローチは、実証可能なプライベート拡散モデルトレーニングを実現する一方で、繰り返しの勾配クリッピングとノイズ注入は、大きなユーティリティ損失をもたらす。 DPベースのプライバシの重要な制限は、プライバシの再構築(RP)と証明可能な関係にあるが、その関係は間接的であることである。 RPは、機密データに対する敵の後方分布が先行とどの程度異なるかを制限するという観点で定義されるが、DPは個々のレコードの変化に出力の感度を束縛することで保証を提供する。 この間接性は、ユーティリティ損失の重要な原因である。 そこで本研究では,再構成プライバシーを実現するために,PAC-private拡散モデル適応を提案する。 PAC-privacyは、事前よりも後続の優位性に対して直接定義されるため、RPに直接関係する。 高次元でスケーラブルなPACの民営化を実現するため、まずLoRAやテキスト・インバージョンを用いて、コンパクトなデータ依存拡散モデル成分を学習し、その後、繰り返しメカニズム出力の共分散から異方性ガウスノイズを校正する。 DP-SGDとは異なり,本手法は最適化後1回のみ学習成分を摂動させ,勾配更新におけるプライバシー構成を回避する。 提案手法は, DP よりも主観的アイデンティティ, 生成品質, 下流分類の精度を良好に保ちつつ, 同一の再構成プライバシを実現していることを示す。

関連論文リスト

• On the MIA Vulnerability Gap Between Private GANs and Diffusion Models [51.53790101362898]
  GAN(Generative Adversarial Networks)と拡散モデルが高品質な画像合成のための主要なアプローチとして登場している。 差分自己生成モデルが直面するプライバシーリスクの統一的および実証的分析について述べる。
  論文  参考訳（メタデータ） (2025-09-03T14:18:22Z)
• Improving Noise Efficiency in Privacy-preserving Dataset Distillation [59.57846442477106]
  本稿では,最適化からサンプリングを分離してコンバージェンスを向上し,信号品質を向上させる新しいフレームワークを提案する。 CIFAR-10では,従来の最先端手法の蒸留セットサイズを5分の1に減らして,クラス毎50イメージでtextbf10.0%,クラス毎50イメージで textbf8.3%向上した。
  論文  参考訳（メタデータ） (2025-08-03T13:15:52Z)
• 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)
• Differentially Private Adaptation of Diffusion Models via Noisy Aggregated Embeddings [23.687702204151872]
  Textual Inversion (TI)は、画像や画像の集合に対する埋め込みベクトルを学習し、差分プライバシー制約の下で適応を可能にする。 DPAgg-TIはDP-SGDファインタニングを同一のプライバシー予算の下で実用性と堅牢性の両方で上回ることを示す。
  論文  参考訳（メタデータ） (2024-11-22T00:09:49Z)
• Revisiting Privacy-Utility Trade-off for DP Training with Pre-existing Knowledge [40.44144653519249]
  異種雑音(DP-Hero)を有する一般微分プライバシーフレームワークを提案する。 DP-Heroでは、DP-SGDの異種バージョンをインスタンス化し、さらにフェデレーショントレーニングに拡張する。 提案するDP-Heroの有効性を検証・説明するための総合的な実験を行い,最新技術と比較するとトレーニング精度が向上した。
  論文  参考訳（メタデータ） (2024-09-05T08:40:54Z)
• Differentially Private Fine-Tuning of Diffusion Models [22.454127503937883]
  微分プライバシーと拡散モデル(DM)の統合は、有望だが挑戦的なフロンティアを示している。 この分野での最近の進歩は、公開データによる事前学習によって高品質な合成データを生成する可能性を強調している。 本稿では,プライバシとユーティリティのトレードオフを高めるために,トレーニング可能なパラメータの数を最小限に抑える,プライベート拡散モデルに最適化された戦略を提案する。
  論文  参考訳（メタデータ） (2024-06-03T14:18:04Z)
• Private Reinforcement Learning with PAC and Regret Guarantees [69.4202374491817]
  エピソード強化学習(RL)のためのプライバシー保護探索ポリシーを設計する。 まず、共同微分プライバシー(JDP)の概念を用いた有意義なプライバシー定式化を提供する。 そこで我々は,強いPACと後悔境界を同時に達成し,JDP保証を享受する,プライベートな楽観主義に基づく学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-09-18T20:18:35Z)
• 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。