arXiv:2511.19958v2 Announce Type: replace 
Abstract: 3D face recognition offers a robust biometric solution by capturing facial geometry, providing resilience to variations in illumination, pose changes, and presentation attacks. Its strong spoof resistance makes it suitable for high-security applications, but protecting stored biometric templates remains critical. We present GFT-GCN, a privacy-preserving 3D face recognition framework that combines spectral graph learning with diffusion-based template protection. Our approach integrates the Graph Fourier Transform (GFT) and Graph Convolutional Networks (GCN) to extract compact, discriminative spectral features from 3D face meshes. To secure these features, we introduce a spectral diffusion mechanism that produces irreversible, renewable, and unlinkable templates. A lightweight client-server architecture ensures that raw biometric data never leaves the client device. Experiments on the BU-3DFE and FaceScape datasets demonstrate high recognition accuracy and strong resistance to reconstruction attacks. Results show that GFT-GCN effectively balances privacy and performance, offering a practical solution for secure 3D face authentication.

يقدم GFT-GCN إطارًا جديدًا للتعرف على الوجه ثلاثي الأبعاد يحافظ على الخصوصية، باستخدام التعلم الطيفي القائم على الرسم البياني وحماية القوالب المستندة إلى الانتشار لتعزيز الأمان في الأنظمة البيومترية. تستفيد هذه الطريقة من تحويل فورييه البياني والشبكات العصبية التلافيفية البيانية لاستخراج ميزات مميزة من شبكات الوجه ثلاثية الأبعاد، مع ضمان بقاء البيانات البيومترية الخام على جهاز العميل.

GFT-GCN presenta un nuevo marco de reconocimiento facial 3D que preserva la privacidad, utilizando el aprendizaje gráfico espectral y la protección de plantillas basada en difusión para mejorar la seguridad en los sistemas biométricos. Este método aprovecha la Transformada de Fourier Gráfica y las Redes Neuronales Convolucionales Gráficas para extraer características distintivas de las mallas faciales 3D, asegurando que los datos biométricos en bruto permanezcan en el dispositivo del cliente.

GFT-GCN présente un nouveau cadre de reconnaissance faciale 3D préservant la vie privée, utilisant l'apprentissage graphique spectral et la protection des modèles basée sur la diffusion pour renforcer la sécurité des systèmes biométriques. Cette méthode exploite la transformation de Fourier graphique et les réseaux de neurones convolutionnels graphiques pour extraire des caractéristiques distinctives des maillages faciaux 3D tout en garantissant que les données biométriques brutes restent sur le dispositif client.

GFT-GCN introduces a novel privacy-preserving framework for 3D face recognition, utilizing spectral graph learning and diffusion-based template protection to enhance security in biometric systems. This method leverages the Graph Fourier Transform and Graph Convolutional Networks to extract distinctive features from 3D face meshes while ensuring that raw biometric data remains on the client device.

GFT-GCN: Privacy-Preserving 3D Face Mesh Recognition with Spectral Diffusion

arXiv:2508.09527v2 Announce Type: replace 
Abstract: Predictive Business Process Monitoring (PBPM) aims to forecast future events in ongoing cases based on historical event logs. While Graph Neural Networks (GNNs) are well suited to capture structural dependencies in process data, existing GNN-based PBPM models remain underdeveloped. Most rely either on short prefix subgraphs or global architectures that overlook temporal relevance and transition semantics. We propose a unified, interpretable GNN framework that advances the state of the art along three key axes. First, we compare prefix-based Graph Convolutional Networks(GCNs) and full trace Graph Attention Networks(GATs) to quantify the performance gap between localized and global modeling. Second, we introduce a novel time decay attention mechanism that constructs dynamic, prediction-centered windows, emphasizing temporally relevant history and suppressing noise. Third, we embed transition type semantics into edge features to enable fine grained reasoning over structurally ambiguous traces. Our architecture includes multilevel interpretability modules, offering diverse visualizations of attention behavior. Evaluated on five benchmarks, the proposed models achieve competitive Top-k accuracy and DL scores without per-dataset tuning. By addressing architectural, temporal, and semantic gaps, this work presents a robust, generalizable, and explainable solution for next event prediction in PBPM.

تم اقتراح إطار جديد لمراقبة العمليات التجارية التنبؤية (PBPM) باستخدام الشبكات العصبية الرسومية (GNN) التي تأخذ في الاعتبار الزمن والدلالات الانتقالية لتحسين قابلية التفسير ودقة التنبؤات بناءً على سجلات الأحداث التاريخية. يعالج هذا الإطار القيود المفروضة على نماذج PBPM القائمة على GNN من خلال دمج آلية انتباه تتلاشى مع الزمن وإدراج دلالات نوع الانتقال في ميزات الحواف.

Se ha propuesto un nuevo marco para la Monitorización Predictiva de Procesos Empresariales (PBPM), utilizando Redes Neuronales Gráficas (GNN) conscientes del tiempo y semánticamente transicionales para mejorar la interpretabilidad y precisión de las predicciones basadas en registros históricos de eventos. Este marco aborda las limitaciones de los modelos PBPM basados en GNN existentes al integrar un mecanismo de atención de decaimiento temporal y al incorporar semánticas de tipo de transición en las características de las aristas.

Un nouveau cadre pour la surveillance prédictive des processus métier (PBPM) a été proposé, utilisant des réseaux de neurones graphiques (GNN) sensibles au temps et à la transition sémantique pour améliorer l'interprétabilité et la précision des prévisions basées sur des journaux d'événements historiques. Ce cadre aborde les limitations des modèles PBPM basés sur des GNN existants en intégrant un mécanisme d'attention à décroissance temporelle et en incorporant des sémantiques de type de transition dans les caractéristiques des arêtes.

A new framework for Predictive Business Process Monitoring (PBPM) has been proposed, utilizing Time-Aware and Transition-Semantic Graph Neural Networks (GNNs) to enhance the interpretability and accuracy of predictions based on historical event logs. This framework addresses limitations in existing GNN-based models by integrating a time decay attention mechanism and embedding transition type semantics into edge features.

GFT-GCN: Privacy-Preserving 3D Face Mesh Recognition with Spectral Diffusion

Was this article worth reading? Share it

Video Face Swap AI — Discover what people think of this product.

Golan AI

Omnifact