論文の概要: Beyond the Frame: Redundancy, Not Trajectory, Carries the Privacy Leak in Video Unlearning

• arxiv url: http://arxiv.org/abs/2610.27982v1
• Date: Tue, 20 Oct 2026 10:24:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.761999
• Title: Beyond the Frame: Redundancy, Not Trajectory, Carries the Privacy Leak in Video Unlearning
• Title（参考訳）: フレームを超えて:ビデオアンラーニングにおけるプライバシーの漏洩
• Abstract要約: クラスアンラーニングは、除去されたカテゴリがデプロイされたモデルの出力から再構成されないことを保証することを目的としている。 2秒のクリップでモデルの出力フィールドを平均化する攻撃者は、評価したすべてのメソッドから忘れられたクラスを復元する。 回収可能な信号は、オブジェクトの軌跡ではなく、クロスフレームの冗長性に起因し、漏れを無傷に残すタイムシャッフル制御でこれを確立します。
• 参考スコア（独自算出の注目度）: 4.62651212339117
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Class unlearning for video segmentation aims to ensure that a removed category cannot be reconstructed from a deployed model's outputs. Current leakage evaluation algorithms inspect one frame at a time, and we show that this understates leakage by a wide margin: an attacker that averages a model's output field over a two-second clip recovers the forgotten class from every method we evaluate on VSPW and most on Virtual KITTI~2, including models whose per-frame predictions are visually indistinguishable from a retrain oracle (a model trained from scratch without the forgotten class). We attribute the recoverable signal to cross-frame redundancy rather than object trajectory, establish this with a time-shuffled control that leaves leakage intact, and introduce PACE, an unlearning method that suppresses redundancy directly using an exactly permutation-invariant pooled adversarial discriminator and a two-sided temporal consistency objective. Across VSPW and Virtual KITTI~2, PACE lowers pooled attacker AP to $18.79$ (\texttt{person}) and $12.10$ (\texttt{car}) on VSPW and $9.11$ (\texttt{car}) on Virtual KITTI~2, achieving on the latter the strongest suppression among verdict-safe methods retaining usable utility, while retaining $19.8$ mIoU on VSPW \texttt{car} against at most $8.3$ for any baseline achieving comparable erasure.
• Abstract（参考訳）: ビデオセグメンテーションのためのクラスアンラーニングは、デプロイされたモデルの出力から削除されたカテゴリを再構成できないことを保証することを目的としている。 2秒のクリップでモデルの出力フィールドを平均化する攻撃者は、私たちがVSPWで評価したすべてのメソッドから忘れられたクラスを回復し、仮想KITTI~2では、フレームごとの予測がリトレインオラクル(忘れられたクラスなしでスクラッチから訓練されたモデル)と視覚的に区別できないモデルを含む。 本研究では, 物体軌跡ではなく, フレーム間冗長性に起因し, 漏れを無傷で残すタイムシャッフル制御によりこれを確立し, PACEを導入し, 正確に置換不変のプール対角判別器と両面の時間的整合性目標を用いて, 冗長性を直接抑制する未学習手法を提案する。 VSPWとVirtual KITTI~2全体で、PACEは、VSPWの攻撃者APを18.79ドル(\texttt{person})、VSPWの12.10ドル(\texttt{car})、Virtual KITTI~2の9.11ドル(\texttt{car})に下げ、VSPWの攻撃者APを最大8.3ドル(最大8.3ドル)で抑えながら、使用可能なユーティリティを保持する検証セーフなメソッドの中で最強の抑圧を達成した。

関連論文リスト

• $λ$-JEPA Spectral Anti-Collapse Regularization for Self-Supervised Learning [47.712647817061566]
  共同埋め込み型自己教師学習は、通常、拡張ビュー全体にわたる不変目的と、表現的崩壊を防ぐための追加メカニズムを組み合わせる。 本稿では、$$- Balanceの分析により、スペクトル反崩壊正則化器SACRegを紹介する。 二層線形ネットワークでは、(i)$- Balanceが崩壊を防止し、(ii)バックボーンに適用した正規化器が$- Balanceを誘導することを示す。
  論文  参考訳（メタデータ） (2026-09-28T14:34:54Z)
• Distilling Vision-Language Models for Robust Traffic Sign Perception in Autonomous Vehicles [1.6385815610837167]
  LAMDAは、言語基底構造をTSRモデルに変換するトレーニングフレームワークである。 シャドーアタックでは+12.5pp、ナチュラル-ライトアタックでは+13.2ppとなる。
  論文  参考訳（メタデータ） (2026-08-09T17:05:00Z)
• Learning Accurate Segmentation Purely from Self-Supervision [87.78965637247107]
  Selfmentは完全に自己管理型のフレームワークで、人間のラベルなしでオブジェクトを生画像から直接分割する。 Selfmentは、複数のベンチマークで新しい最先端(SoTA)結果を設定する。
  論文  参考訳（メタデータ） (2026-02-27T07:36:32Z)
• Time Is All It Takes: Spike-Retiming Attacks on Event-Driven Spiking Neural Networks [87.16809558673403]
  スパイキングニューラルネットワーク(SNN)は離散スパイクで計算し、時間構造を利用する。 イベント駆動SNNにおけるスパイク数と振幅を保存しながら、既存のスパイクを繰り返すタイミングのみの敵について検討する。
  論文  参考訳（メタデータ） (2026-02-03T09:06:53Z)
• Deep Unlearning: Fast and Efficient Gradient-free Approach to Class Forgetting [9.91998873101083]
  学習モデルから特定のクラスを戦略的に除去する新しいクラスアンラーニングアルゴリズムを提案する。 我々のアルゴリズムは、メンバーシップ推論攻撃(MIA)に対する競争的アンラーニング性能とレジリエンスを示す。
  論文  参考訳（メタデータ） (2023-12-01T18:29:08Z)
• Learn from the Past: A Proxy Guided Adversarial Defense Framework with Self Distillation Regularization [53.04697800214848]
  敵対的訓練(AT)は、ディープラーニングモデルの堅牢性を固める上で重要な要素である。 AT方式は、目標モデルの防御のために直接反復的な更新を頼りにしており、不安定な訓練や破滅的なオーバーフィッティングといった障害に頻繁に遭遇する。 汎用プロキシガイド型防衛フレームワークLAST(bf Pbf astから学ぶ)を提案する。
  論文  参考訳（メタデータ） (2023-10-19T13:13:41Z)
• Higher Performance Visual Tracking with Dual-Modal Localization [106.91097443275035]
  Visual Object Tracking (VOT)は、堅牢性と正確性の両方に同期性を必要とする。 ONRによるロバストなローカリゼーション抑制器とOFCによるターゲットセンターへの正確なローカリゼーションにより、ターゲットローカリゼーションのためのデュアルモーダルフレームワークを提案します。
  論文  参考訳（メタデータ） (2021-03-18T08:47:56Z)

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。