通过最小化模型-数据相互作用降低风险：用于设计儿童性暗示图像检测模型的代理任务协议
机器学习
2026-04-21 v1 计算机视觉与模式识别
摘要
儿童性暗示图像 (CSAI) 的分布是当代世界日益增长的忧虑；受此类罪行创伤的儿童会被再次伤害，而大量非法图像的分布使执法机构 (LEA) 面临手动分类的巨大负担。为缓解这一负担，研究人员探索了自动化数据分流和检测 CSAI 的方法，但由于数据的敏感性，这些方法受到限制，数据与学习算法之间的互动受到严格限制，以避免任何数据泄露。通过观察这些限制如何塑造文献，我们正式定义了“代理任务”，即用于训练 CSAI 检测模型而不使用 CSA 数据的替代任务。在新术语下，我们审阅了当前文献，并提出了一种协议，用于有意识地利用代理任务并持续获取 LEA 的输入，以设计更好的自动化系统。最后，我们将该协议应用于研究——首次——进行少样本室内场景分类，用于 CSAI，展示了一个在真实世界 CSAI 数据集上取得有希望结果的模型，同时该模型在敏感数据上没有实际训练的权重。
引用
@article{arxiv.2505.06621,
title = {Minimizing Risk Through Minimizing Model-Data Interaction: A Protocol For Relying on Proxy Tasks When Designing Child Sexual Abuse Imagery Detection Models},
author = {Thamiris Coelho and Leo S. F. Ribeiro and João Macedo and Jefersson A. dos Santos and Sandra Avila},
journal= {arXiv preprint arXiv:2505.06621},
year = {2026}
}
备注
ACM Conference on Fairness, Accountability, and Transparency (FAccT 2025)