論文の概要: SSM-Attack: Learning Where to Perturb for Black-Box Face Privacy

• arxiv url: http://arxiv.org/abs/2610.17323v1
• Date: Mon, 12 Oct 2026 19:28:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 02:11:25.131326
• Title: SSM-Attack: Learning Where to Perturb for Black-Box Face Privacy
• Title（参考訳）: SSM-Attack: ブラックボックスの顔のプライバシーを脅かす場所を学ぶ
• Abstract要約: SSM-AttackはSelective State Space Models上に構築されたブラックボックスのフェイスプライバシーフレームワークである。 3つの評価セットで平均的なブラックボックス攻撃の成功率に達する。
• 参考スコア（独自算出の注目度）: 3.925313161884992
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Face recognition systems are deployed widely enough that a photograph shared online can be matched without its subject's consent. Generator-based protection methods rely on heavy pretrained backbones, multi-stage inference or visible semantic edits. We introduce SSM-Attack, a black-box face privacy framework built on Selective State Space Models. Rather than synthesizing the perturbation, the state-space model predicts in one linear-time pass a spatial allocation of the perturbation budget, marking which facial locations carry identity evidence; a short projected refinement then sets the values within this per-pixel budget. Against published benchmark results, SSM-Attack attains the highest average black-box attack success rate on all three evaluation sets: 87.10 percent on CelebA-HQ, 86.90 on LADN and 81.15 on FFHQ, the last from a network that never saw that dataset. The allocation network holds 5.73 million parameters, or 16.13 million with the frozen networks used by its quality terms. Under the same cap of 0.10 on the maximum per-pixel change, allocation improves structural similarity by 0.044, peak signal-to-noise ratio by 1.62 decibels and Frechet Inception Distance by 11.2 points over a uniform map while spending 37 percent of its capacity. Strong facial privacy protection therefore does not require a large generative prior; it requires knowing where to spend a small one.
• Abstract（参考訳）: 顔認識システムは十分に広く展開されており、オンラインで共有された写真は、被験者の同意なしに一致させることができる。 ジェネレータベースの保護方法は、重い事前訓練されたバックボーン、多段階推論、目に見えるセマンティック編集に依存している。 SSM-AttackはSelective State Space Models上に構築されたブラックボックスのフェイスプライバシフレームワークである。 摂動を合成するのではなく、状態空間モデルは1つの線形時間で摂動予算の空間的割り当てを予測し、どの顔位置がアイデンティティの証拠を持っているかを示す。 ベンチマーク結果に対して、SSM-Attackは、CelebA-HQで87.10%、LADNで86.90、FFHQで81.15の3つの評価セットで平均的なブラックボックス攻撃の成功率を達成した。 割り当てネットワークは5.73百万のパラメータを持ち、16.13百万のフリーズネットワークがある。 最大1ピクセルあたり0.10の上限の下で、アロケーションは0.044、ピーク信号とノイズの比率 1.62 デシベル、フレシェ・インセプション・ディスタンス 11.2 ポイントを均一マップ上で改善し、容量の37%を消費する。 したがって、強い顔のプライバシー保護は、大きな生成前を必要とせず、小さなものを使う場所を知る必要がある。

関連論文リスト

• AgroVisNet: A lightweight Convolutional Network and the BD-PlantDX Expert-Validated Benchmark for Radish, Potato and Pointed Gourd Disease Classification [0.3686530147760243]
  我々は,BD-PlantDXとともに,スクラッチから学習したコンパクトな畳み込みネットワークであるAgroVisNetを提案する。 BD-PlantDXでは、テスト精度は99.52%、重み付きF1は99.52%に達し、6つのImageNet推奨の軽量バックボーンを超える。 デプロイ用にエクスポートされたこのモデルは、0.46MBのフル整数ネットワークに0.22ポイントの精度で量子化し、1CPUで8.40msの画像を分類する。
  論文  参考訳（メタデータ） (2026-09-09T17:12:17Z)
• Modality-Decoupled Federated Learning for Privacy-Preserving Embodied Intelligence in 6G [90.42669277637026]
  第6世代(6G)無線ネットワークは、大規模なインボディードインテリジェンスのための重要な基盤を提供すると期待されている。 本稿では、6Gネットワークにおけるプライバシー保護型インテリジェンスのためのモダリティ分離FLフレームワークであるFedMVLAを提案する。
  論文  参考訳（メタデータ） (2026-09-09T01:36:44Z)
• Enhancing the KidSat Model: Integrating Geographical Encoding and Data Quality Assessment for Childhood Poverty Prediction [0.0]
  衛星画像を用いた正確な貧困マッピングは, (i) ノイズやスパース調査による監視, (ii) 雲の覆いや画像の破損といった画像品質の問題, (iii) 画像のみのモデルでは空間構造が明示されていないこと,などによって妨げられることが多い。 改良されたデータ前処理, 画像品質評価, 数学的に定義された地理符号化による予測精度を向上させるパイプラインを開発した。
  論文  参考訳（メタデータ） (2026-07-09T09:22:38Z)
• Phantom: A Unified Face-Swap Deepfake Protection Framework with Latent and Spatial Constraints [0.6533091401094099]
  フェイススワッピングのディープフェイクは、不正なID操作を可能にすることによって、個人のプライバシーに対するエスカレートな脅威となる。 我々は,潜伏領域と空間領域の摂動を協調的に抑制する統合型フェイススワップディープフェイク保護フレームワークPhantomを提案する。
  論文  参考訳（メタデータ） (2026-06-30T14:10:38Z)
• SIDeR: Semantic Identity Decoupling for Unrestricted Face Privacy [53.75084833636302]
  本稿では,非制限顔プライバシー保護のためのセマンティックデカップリング駆動フレームワークSIDeRを提案する。 SIDeRは、顔画像をマシン認識可能な識別特徴ベクトルと視覚的に知覚可能なセマンティックな外観成分に分解する。 認証されたアクセスのために、SIDeRは正しいパスワードが提供されるときに元の形式に復元できる。
  論文  参考訳（メタデータ） (2026-02-04T19:30:48Z)
• SAM-Aug: Leveraging SAM Priors for Few-Shot Parcel Segmentation in Satellite Time Series [3.4368348203064283]
  そこで本研究では,少数のランドカバーマッピングを改善するためのアノテーション効率のよい新しいフレームワークSAM-Augを提案する。 提案手法は, 時間列から雲のない合成画像を構築し, SAMを教師なしで適用する。 PASTIS-Rベンチマークの実験では5%のラベル付き設定でSAM-Augの有効性と堅牢性を示した。
  論文  参考訳（メタデータ） (2026-01-14T03:18:04Z)
• Stealthy Patch-Wise Backdoor Attack in 3D Point Cloud via Curvature Awareness [52.780853311462636]
  バックドア攻撃はディープニューラルネットワーク(DNN)に深刻な脅威をもたらす 既存の3Dポイントのクラウドバックドア攻撃は、サンプルワイドなグローバルな修正に依存している。 我々は,3Dポイントクラウド用のパッチワイドバックドアアタックフレームワークであるStealthy Patch-Wise Backdoor Attack (SPBA)を提案する。
  論文  参考訳（メタデータ） (2025-03-12T12:30:59Z)
• PointCA: Evaluating the Robustness of 3D Point Cloud Completion Models Against Adversarial Examples [63.84378007819262]
  本稿では,3次元クラウド完了モデルに対する最初の逆攻撃であるPointCAを提案する。 ポイントCAは、元のものと高い類似性を維持する逆点雲を生成することができる。 その結果,PointCAは77.9%から16.7%に低下し,その構造は0.01以下であることがわかった。
  論文  参考訳（メタデータ） (2022-11-22T14:15:41Z)
• Unlocking High-Accuracy Differentially Private Image Classification through Scale [45.93988209606857]
  差分プライバシー(DP)は、機械学習モデルにアクセスする敵が個々のトレーニングポイントに関する情報を抽出することを防ぐ正式なプライバシー保証を提供する。 従来の研究では、DP-SGDが標準画像分類ベンチマークの性能を著しく低下させることが多かった。 オーバーパラメータ化モデル上でのDP-SGDは、以前考えられていたよりもはるかに優れた性能を示す。
  論文  参考訳（メタデータ） (2022-04-28T17:10:56Z)
• Rethinking Portrait Matting with Privacy Preserving [79.37601060952201]
  P3M-10kは、プライバシ保存ポートレートマッチング(P3M)のための最初の大規模匿名化ベンチマークである。 P3M-10kは10,421枚の高解像度の顔黒の肖像画と高品質のアルファマットで構成されている。 また、CNNとトランスフォーマーの両バックボーンに互換性のあるP3M-Netと呼ばれる統合マッティングモデルを提案する。
  論文  参考訳（メタデータ） (2022-03-31T06:26:07Z)

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。