FedVideoMAE：高效隐私保护的联邦视频内容审核
计算机视觉与模式识别
2026-04-06 v2 人工智能
多媒体
摘要
短视频审核越来越需要能够在不支付云中心推断的全部带宽和延迟成本的同时保护用户隐私的学习管道。我们提出FedVideoMAE，一个基于自监督VideoMAE表示、LoRA基于参数高效适应、客户端DP-SGD以及服务器端安全聚合的设备端联邦框架，用于视频暴力检测。通过仅更新5.5M参数（约占156M主干网络的3.5%），FedVideoMAE在完整模型联合更新时将通信量降低了28.3倍，同时在训练期间保持原始视频位于设备端。在RWF-2000上进行40个客户端测试时，该方法在无隐私保护时达到77.25%的准确率，在强差分隐私下达到65~66%。我们进一步表明，这一隐私差距与针对小数据、参数高效联邦范式的有效-SNR分析相一致，表明在我们所处的环境中，DP噪声放大约为8.5~12倍。为更清晰地界定这些结果，我们还与存档的完整模型联邦基线进行了比较，并总结了在RLVS和二进制UCF-Crime上的辅助迁移行为。综上所述，FedVideoMAE作为面向边缘设备的隐私保护视频审核的实用选点。我们的代码可在：https://github.com/zyt-599/FedVideoMAE 查找。
引用
@article{arxiv.2512.18809,
title = {FedVideoMAE: Efficient Privacy-Preserving Federated Video Moderation},
author = {Ziyuan Tao and Chuanzhi Xu and Sandaru Jayawardana and Adnan Mahmood and Wei Bao and Kanchana Thilakarathna and Teng Joon Lim},
journal= {arXiv preprint arXiv:2512.18809},
year = {2026}
}