論文の概要: TADP: Dual-Branch Temporally Adaptive Differential Privacy for Expression-Aware Video Anonymization
- arxiv url: http://arxiv.org/abs/2610.41642v1
- Date: Fri, 30 Oct 2026 12:16:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 22:05:31.698899
- Title: TADP: Dual-Branch Temporally Adaptive Differential Privacy for Expression-Aware Video Anonymization
- Title（参考訳）: TADP:表現対応ビデオ匿名化のための時間適応型微分プライバシー
- Abstract要約: TADPは、固定長クリップ置換隣接条件下での推測時プライバシー保護ビデオ生成のためのフレームワークである。
TADPはクリップレベルのDPを正式に満足し、評価された脅威モデルとデータセットの下で、実証的に適切なプライバシーとユーティリティのトレードオフを提供する。
- 参考スコア（独自算出の注目度）: 29.528717718182975
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We present TADP, a temporally adaptive differential privacy (DP) framework for inference-time privacy-preserving video generation under fixed-length clip-replacement adjacency. TADP uses a dual-branch design to extract identity and expression representations, clips and privatizes both branches with temporally adaptive Gaussian mechanisms whose noise scales depend only on preceding privatized releases within the same clip and are bounded below by history-uniform calibrated minima, and accounts for their joint release via adaptive Rényi Differential Privacy (RDP) composition. The clip-level RDP guarantee is converted to $(\varepsilon,δ)$-differential privacy, while soft quantization and subsequent temporal processing are applied only after privatization as DP post-processing. Experiments on facial expression datasets show reduced identity leakage under evaluated attacks, usable perceptual quality and temporal stability, and high facial expression recognition utility relative to the evaluated privacy-preserving baselines. TADP formally satisfies clip-level DP and empirically provides a favorable privacy--utility trade-off under the evaluated threat models and datasets.
- Abstract（参考訳）: 固定長クリップリプレース隣接条件下での推測時プライバシー保存ビデオ生成のための時間適応型差分プライバシー(DP)フレームワークであるTADPを提案する。
TADPは、識別と表現の表現、クリップと民営化の両方のブランチを、同じクリップ内で以前の民営化リリースにのみ依存し、歴史一様キャリブレーションされたミニマによって下限に制限された時間適応型ガウス機構で抽出し、適応型Rényi Differential Privacy(RDP)合成による共同リリースを説明するために、デュアルブランチ設計を使用している。
クリップレベルのRCP保証は$(\varepsilon,δ)$-differential privacyに変換され、ソフト量子化とその後の時間処理はDP後処理として民営化後にのみ適用される。
顔表情データセットの実験では、評価された攻撃下でのアイデンティティリークの低減、知覚的品質と時間的安定性、評価されたプライバシ保存ベースラインに対する高い表情認識ユーティリティが示されている。
TADPはクリップレベルのDPを正式に満足し、評価された脅威モデルとデータセットの下で、実証的に適切なプライバシーとユーティリティのトレードオフを提供する。
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) - Private Learning with Public Feature Conditioning [5.800578726236357]
本研究では、各データサンプルがパブリックな非感受性特徴を含む設定において、差分プライベート(DP)回帰について検討する。
本稿では,プライバシー制約下での最適化を活用する条件付き変種DPSGDであるCond-DPを紹介する。
本稿では,公開機能から直接,Cond-DPの効率的な条件付け行列を構築する方法について述べる。
論文 参考訳（メタデータ） (2026-06-17T07:34:53Z) - Revisiting Privacy Amplification by Subsampling in Selective Release DPSGD [4.723707756235521]
クリッピンググラディエント(DPSR-CG)に基づく微分プライベート選択リリースを提案する。
DPSR-CG機構は、例外的なモデル性能を達成しつつ、厳格なプライバシ保証を維持していることを示す。
論文 参考訳（メタデータ） (2026-06-03T03:00:26Z) - Taming Noise-Induced Prototype Degradation for Privacy-Preserving Personalized Federated Fine-Tuning [21.950552296952623]
Prototype-based Personalized Federated Learning (ProtoPFL) は、コンパクトクラスプロトタイプを通信することで、効率的なマルチドメイン適応を実現する。
一般的な防御策としては、プロトタイプをバインドして感度を制限し、その後に局所微分プライバシーを強制する等方的ノイズが伴う。
本稿では,既存のProtoPFLにシームレスに統合されたクライアント側のプライバシプラグインであるVPDRを提案する。
論文 参考訳（メタデータ） (2026-04-30T13:20:51Z) - 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) - Activity Recognition on Avatar-Anonymized Datasets with Masked Differential Privacy [64.32494202656801]
プライバシを保存するコンピュータビジョンは、機械学習と人工知能において重要な問題である。
本稿では,ビデオデータセット中の感性のある被験者を文脈内の合成アバターに置き換える匿名化パイプラインを提案する。
また、匿名化されていないがプライバシーに敏感な背景情報を保護するため、MaskDPを提案する。
論文 参考訳（メタデータ） (2024-10-22T15:22:53Z) - Privacy Amplification for the Gaussian Mechanism via Bounded Support [64.86780616066575]
インスタンスごとの差分プライバシー(pDP)やフィッシャー情報損失(FIL)といったデータ依存のプライバシ会計フレームワークは、固定されたトレーニングデータセット内の個人に対してきめ細かいプライバシー保証を提供する。
本稿では,データ依存会計下でのプライバシ保証を向上することを示すとともに,バウンドサポートによるガウス機構の簡単な修正を提案する。
論文 参考訳（メタデータ） (2024-03-07T21:22:07Z) - A Randomized Approach for Tight Privacy Accounting [63.67296945525791]
推定検証リリース(EVR)と呼ばれる新しい差分プライバシーパラダイムを提案する。
EVRパラダイムは、まずメカニズムのプライバシパラメータを推定し、その保証を満たすかどうかを確認し、最後にクエリ出力を解放する。
我々の実証的な評価は、新たに提案されたEVRパラダイムが、プライバシ保護機械学習のユーティリティプライバシトレードオフを改善することを示している。
論文 参考訳（メタデータ） (2023-04-17T00:38:01Z) - Breaking the Communication-Privacy-Accuracy Tradeoff with
$f$-Differential Privacy [51.11280118806893]
サーバが複数のユーザの協調的なデータ分析を,プライバシの懸念と限られた通信能力で調整する,フェデレートされたデータ分析問題を考える。
有限出力空間を有する離散値機構の局所的差分プライバシー保証を$f$-differential privacy (DP) レンズを用いて検討する。
より具体的には、様々な離散的評価機構の厳密な$f$-DP保証を導出することにより、既存の文献を前進させる。
論文 参考訳（メタデータ） (2023-02-19T16:58:53Z)
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。