論文の概要: From Pixels to Privacy-Sensitive Features: An Information-Theoretic Framework for Reconstruction Bounds

• arxiv url: http://arxiv.org/abs/2610.13768v1
• Date: Fri, 09 Oct 2026 15:52:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.660459
• Title: From Pixels to Privacy-Sensitive Features: An Information-Theoretic Framework for Reconstruction Bounds
• Title（参考訳）: Pixelからプライバシーに敏感な機能へ:リコンストラクション境界のための情報理論フレームワーク
• Abstract要約: 我々は、トレーニング前に計算できる歪み境界を導出し、トレーニング中にパラメータの軌跡を観察する相手にも適用する。 アナリストは、エラーを測定する表現を選択して、バウンダリがプライバシに敏感な再構築の側面を目標にすることができる。 我々は,LPIPS特徴空間と画素空間において,LPIPSによって直接測定された再構成歪みに対する第1の下位境界を求める。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: What can an adversary recover from a model trained with DP-SGD? Its $(\varepsilon,δ)$ guarantee does not answer this question directly. We derive a distortion bound that can be computed before training and applies even to an adversary who observes the parameter trajectory during training, knows every other training record and the population distribution from which the training records are drawn. The analyst may choose the representation in which error is measured, allowing the bound to target the aspects of reconstruction that are privacy-sensitive in a given application. Our information-theoretic framework separates two contributions: the information about a record revealed by training, measured through conditional mutual information, and the uncertainty already present in the data distribution, measured through source entropy. Rate-distortion theory combines them into a lower bound on the expected error of every reconstruction attack. For DP-SGD, the leakage bound depends only on the sampling rates and noise multipliers, while the source entropy is lower-bounded from a sample with finite-sample confidence. An orthogonal block construction keeps the resulting bound informative for high-dimensional images. We instantiate the framework in pixel space and in LPIPS feature space, obtaining, to our knowledge, the first lower bound on reconstruction distortion measured directly by LPIPS. On a range of image datasets the bounds establish non-trivial unavoidable expected reconstruction error within heuristically recommended privacy-budget ranges and beyond. Experiments compare the bounds with strong reconstruction attacks and identify the principal sources of the remaining slack.
• Abstract（参考訳）: DP-SGDで訓練したモデルから敵が何を取り戻すことができるか? その$(\varepsilon,δ)$の保証はこの質問に答えない。 トレーニング前に計算できる歪み境界を導出し、トレーニング中にパラメータの軌跡を観察する相手にも適用し、トレーニング記録とトレーニング記録を描画する人口分布を全て把握する。 アナリストは、エラーを測定する表現を選択して、特定のアプリケーションでプライバシーに敏感な再構築の側面を目標にすることができる。 情報理論の枠組みは, 条件付き相互情報によって測定された学習記録に関する情報と, 情報源エントロピーによって測定されたデータ分布にすでに存在する不確実性の2つを分けている。 速度歪理論は、これらを再構成攻撃の予測誤差の低い境界に結合する。 DP-SGDの場合、リークバウンダリはサンプリングレートとノイズ乗算器にのみ依存するが、ソースエントロピーは有限サンプル信頼性を持つサンプルから低いバウンダリとなる。 直交ブロック構成は、高次元画像に対して得られた有界情報を保持する。 我々は,LPIPS特徴空間と画素空間において,LPIPSによって直接測定された再構成歪みに対する第1の下位境界を求める。 画像データセットの範囲では、バウンダリは、ヒューリスティックに推奨されるプライバシー予算の範囲内で、非自明な予期せぬ復元エラーを発生させる。 実験では、境界線と強い再建攻撃を比較し、残りのスラックの主源を特定する。

関連論文リスト

• Protecting Sensitive Data in Image Synthesis via PAC-Private Adaptation for Diffusion Models [37.90059686300155]
  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。
  論文  参考訳（メタデータ） (2026-10-02T20:42:53Z)
• REAL-OW: Rehearsal-free Open World Object Detection with Low-Rank Adaptation and Dual-Stage Objectness Modeling [56.888597798431704]
  Open-World Object Detection (OWOD) では、未確認のオブジェクトを未知のものとして識別し、それを既知のカテゴリのセットにインクリメンタルに組み込む必要がある。 既存のフレームワークは、破滅的な忘れを緩和するために、模範的なリプレイに大きく依存しているが、実際のアプリケーションでは、データアクセス制限との生データ競合を保存し、データ露出のリスクをもたらす。 協調的なアダプタアーキテクチャを通じて段階的な知識を分離する新しいリハーサルフリーフレームワークであるREAL-OWを提案する。
  論文  参考訳（メタデータ） (2026-07-03T06:38:54Z)
• Next-Acceleration-Scale Prediction for Autoregressive MRI Reconstruction [52.32112533846212]
  MRI再建は本質的に不完全な逆問題である。 この制限は、再構成を離散的なマルチスケールの潜在空間に移動させ、自己回帰的次加速スケールの予測として機能させることによって解決する。 提案手法は,過度のアンサンプ下での多種多様なサンプリングパターンの再構成性能の向上を図っている。
  論文  参考訳（メタデータ） (2026-05-19T04:40:50Z)
• Score-Guided Proximal Projection: A Unified Geometric Framework for Rectified Flow Editing [1.0312968200748118]
  Rectified Flowモデルは最先端の世代品質を実現するが、正確なタスクのためにそれらを制御することは依然として困難である。 現在のアプローチは「幾何学的ロック」に苦しむ逆法に基づくガイダンスに分岐する Score-Guided Proximal Projectionは,決定論的最適化と縮尺サンプリングのギャップを埋める統一フレームワークである。
  論文  参考訳（メタデータ） (2026-03-05T23:44:45Z)
• 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)
• Geometry-Aware Instrumental Variable Regression [56.16884466478886]
  本稿では,データ導出情報によるデータ多様体の幾何を考慮した移動型IV推定器を提案する。 本手法のプラグイン・アンド・プレイ実装は,標準設定で関連する推定器と同等に動作する。
  論文  参考訳（メタデータ） (2024-05-19T17:49:33Z)
• Initialization Matters: Privacy-Utility Analysis of Overparameterized Neural Networks [72.51255282371805]
  我々は、最悪の近傍データセット上でのモデル分布間のKLばらつきのプライバシー境界を証明した。 このKLプライバシー境界は、トレーニング中にモデルパラメータに対して期待される2乗勾配ノルムによって決定される。
  論文  参考訳（メタデータ） (2023-10-31T16:13:22Z)
• On the Query Complexity of Training Data Reconstruction in Private Learning [0.0]
  我々は,ホワイトボックスの敵が学習者に対して行わなければならないクエリ数を分析し,学習データを再構築する。 例えば$(epsilon, delta)$ DPの学習者は任意のコンパクトな距離空間から引き出された訓練データを持つ。
  論文  参考訳（メタデータ） (2023-03-29T00:49:38Z)
• On the Practicality of Differential Privacy in Federated Learning by Tuning Iteration Times [51.61278695776151]
  フェデレートラーニング(FL)は、分散クライアント間で機械学習モデルを協調的にトレーニングする際のプライバシ保護でよく知られている。 最近の研究では、naive flは勾配リーク攻撃の影響を受けやすいことが指摘されている。 ディファレンシャルプライバシ(dp)は、勾配漏洩攻撃を防御するための有望な対策として現れる。
  論文  参考訳（メタデータ） (2021-01-11T19:43:12Z)

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。