日次キュレーション 2026-7-17

本研究は、フェデレーション学習、差分プライバシー、コホートレベルのモデリング、プライバシー対応インテリジェントエージェントを組み合わせたプライバシー保護推薦フレームワークを提案・評価している。生データを分散化したまま、モデル更新に数学的に制限されたノイズを導入。合成小売データセット上でマトリックス因数分解、ニューラル協調フィルタリング、GRU4Recを評価し、Click-Through Rate、Precision@K、Recall@K、NDCG@Kで計測。中程度のプライバシー予算（ε≈5）において競争力のある推薦品質を維持し、強いプライバシー保証と推薦有効性のバランスが実現可能であることを示した。

フェデレーション学習と差分プライバシーを用いたプライバシー保護推薦フレームワークを提案。生ユーザーデータを分散化しながら、モデル更新にノイズを導入。マトリックス因数分解、ニューラル協調フィルタリング、GRU4Recを複数のプライバシー条件下で評価。中程度のプライバシー予算(ε≈5)で競争力のある推薦品質を維持できることを実証。

プライバシー保護推薦システムのフレームワークを提案。フェデレーション学習と差分プライバシーを組み合わせ、ユーザーデータを保護しながら推薦品質を維持。複数のアルゴリズムを評価し、中程度のプライバシー予算でバランスが実現可能であることを示した。

本論文は、生成画像編集モデルが現実的な照明知識を持つかを検証する3D-anchored Light Probe (3DLP)ベンチマークを導入している。著者らは、光プローブが物理的にオン・オフされた多様な室内シーン1K画像対から成る高忠実度HDRデータセットを新たに取得した。キャスト影や金属表面などの特定領域に注釈を付けて詳細な性能分析を可能にしている。最先端の画像編集モデル複数を評価した結果、モデル間で性能が大きく異なり、光の当たり方が弱い領域ほどすべてのモデルでエラーが増しやすいことが判明した。VLMはマクロ的な照明妥当性評価には有効だが、ピクセルレベルの光輸送分析には不適切であることが示された。

新しいベンチマーク3DLPにより、生成画像編集モデルがどの程度現実的な照明を理解しているかを調査した。1K個の実世界画像対（光プローブがオン・オフされた室内シーン）を用いて評価したところ、最先端モデルは光の物理に概ね一貫性を示すが改善の余地がある。特に暗い領域でのエラーが多く、VLMはピクセルレベル分析には不向きであることが判明した。

画像編集モデルが現実的な照明を理解しているかを新ベンチマーク3DLPで検証。実世界の光の変化1K画像対を用いた評価により、最先端モデルは光の物理に相応に一貫しているが改善の余地があることが明らかになった。