Fugu-MT 論文翻訳(概要): FreqyWM: Frequency Watermarking for the New Data Economy

論文の概要: FreqyWM: Frequency Watermarking for the New Data Economy

arxiv url: http://arxiv.org/abs/2312.16547v1
Date: Wed, 27 Dec 2023 12:17:59 GMT
ステータス: 処理完了
システム内更新日: 2024-03-18 11:18:35.385685
Title: FreqyWM: Frequency Watermarking for the New Data Economy
Title（参考訳）: FreqyWM: 新たなデータ経済のための周波数透かし
Authors: Devriş İşler, Elisa Cabana, Alvaro Garcia-Recuero, Georgia Koutrika, Nikolaos Laoutaris,
Abstract要約: 目に見えない透かしを符号化するためのデータセット内のいくつかのトークンの出現頻度を変調する新しい手法を提案する。このような透かしを作成し検証するアルゴリズムを最適かつ高速に開発する。
参考スコア（独自算出の注目度）: 8.51675079658644
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: We present a novel technique for modulating the appearance frequency of a few tokens within a dataset for encoding an invisible watermark that can be used to protect ownership rights upon data. We develop optimal as well as fast heuristic algorithms for creating and verifying such watermarks. We also demonstrate the robustness of our technique against various attacks and derive analytical bounds for the false positive probability of erroneously detecting a watermark on a dataset that does not carry it. Our technique is applicable to both single dimensional and multidimensional datasets, is independent of token type, allows for a fine control of the introduced distortion, and can be used in a variety of use cases that involve buying and selling data in contemporary data marketplaces.
Abstract（参考訳）: 本稿では,データセット内のいくつかのトークンの出現頻度を調整し,データ上の所有権を保護するために使用可能な,目に見えない透かしを符号化する手法を提案する。我々はこのような透かしを作成し検証するための最適かつ高速なヒューリスティックアルゴリズムを開発した。また,本手法の各種攻撃に対する堅牢性を示すとともに,それを持たないデータセット上の透かしを誤って検出する誤検出確率について解析的境界を導出する。本手法は, 単一次元および多次元のデータセットに適用可能であり, トークン型とは独立であり, 導入した歪みのきめ細かい制御が可能であり, 現代のデータ市場におけるデータの売買に関わるさまざまなユースケースで利用することができる。

関連論文リスト

Adaptive and Robust Watermark for Generative Tabular Data [8.566821590631907]
生成表データに対するフレキシブルでロバストな透かし機構を提案する。ウォーターマークされたデータセットがデータ品質と下流のユーティリティに無視できる影響があることを理論的および実証的に示す。
論文参考訳（メタデータ） (2024-09-23T04:37:30Z)
TabularMark: Watermarking Tabular Datasets for Machine Learning [20.978995194849297]
仮説テストに基づく透かし方式であるTabularMarkを提案する。データノイズパーティショニングは、埋め込み中のデータ摂動に利用される。実世界のデータセットと合成データセットの実験は、検出性、非侵入性、堅牢性においてTabularMarkの優位性を示している。
論文参考訳（メタデータ） (2024-06-21T02:58:45Z)
EnTruth: Enhancing the Traceability of Unauthorized Dataset Usage in Text-to-image Diffusion Models with Minimal and Robust Alterations [73.94175015918059]
本稿では、未承認のデータセット使用のトレーサビリティを高める新しいアプローチであるEnTruthを紹介する。テンプレートの暗記を戦略的に取り入れることで、EnTruthは不正なモデルの特定の振る舞いを侵害の証拠として引き起こすことができる。本手法は, 暗記の正当性を調査し, 著作権保護に利用し, 呪いを祝福する最初の方法である。
論文参考訳（メタデータ） (2024-06-20T02:02:44Z)
DREW : Towards Robust Data Provenance by Leveraging Error-Controlled Watermarking [58.37644304554906]
誤り訂正符号と透かしを用いたデータ検索法(DREW)を提案する。 DREWはランダムに参照データセットをクラスタ化し、各クラスタに独自のエラー制御された透かしキーを注入する。関連するクラスタを特定した後、最も正確な一致を見つけるために、クラスタ内に埋め込みベクトル類似性検索を行う。
論文参考訳（メタデータ） (2024-06-05T01:19:44Z)
Domain Watermark: Effective and Harmless Dataset Copyright Protection is Closed at Hand [96.26251471253823]
バックドアベースのデータセットオーナシップ検証(DOV)は現在、オープンソースデータセットの著作権を保護するための唯一の実現可能なアプローチである。我々は、(保護されたデータセットでトレーニングされた)ウォーターマークされたモデルを、良質なモデルによって誤って分類されるであろう、いくつかの難しい'サンプルを正しく分類する。
論文参考訳（メタデータ） (2023-10-09T11:23:05Z)
Did You Train on My Dataset? Towards Public Dataset Protection with Clean-Label Backdoor Watermarking [54.40184736491652]
本稿では,公開データの保護のための一般的な枠組みとして機能するバックドアベースの透かし手法を提案する。データセットに少数の透かしサンプルを挿入することにより、我々のアプローチは、ディフェンダーが設定した秘密関数を暗黙的に学習することを可能にする。この隠れた機能は、データセットを違法に使用するサードパーティモデルを追跡するための透かしとして使用できる。
論文参考訳（メタデータ） (2023-03-20T21:54:30Z)
A Watermark for Large Language Models [84.95327142027183]
本稿では,プロプライエタリな言語モデルのための透かしフレームワークを提案する。透かしはテキストの品質に無視できない影響で埋め込むことができる。言語モデルAPIやパラメータにアクセスすることなく、効率的なオープンソースアルゴリズムを使って検出することができる。
論文参考訳（メタデータ） (2023-01-24T18:52:59Z)
On the Effectiveness of Dataset Watermarking in Adversarial Settings [14.095584034871658]
機械学習(ML)モデルのトレーニングに使用される(画像)データセットのオーナシップを実証するために,提案手法である放射能データについて検討する。本研究では, 放射能データによるモデル抽出攻撃を効果的に回避できることを示し, モデル抽出に対して頑健なMLモデルのオーナシップ検証に使用できる可能性を示した。
論文参考訳（メタデータ） (2022-02-25T05:51:53Z)
Anonymizing Sensor Data on the Edge: A Representation Learning and Transformation Approach [4.920145245773581]
本稿では,データ難読化に有用な低次元表現を学習することで,ユーティリティとプライバシ損失のトレードオフを検討することを目的とする。本稿では,時系列データを合成するための変分オートエンコーダの潜時空間における決定論的および確率的変換を提案する。リソース制約のあるエッジデバイス上で,データをリアルタイムに匿名化できることを示す。
論文参考訳（メタデータ） (2020-11-16T22:32:30Z)
Open-sourced Dataset Protection via Backdoor Watermarking [87.15630326131901]
本稿では,オープンソースの画像分類データセットを保護するために,Emphbackdoor Embeddingベースのデータセット透かし手法を提案する。疑わしい第三者モデルによって生成される後続確率に基づいて,仮説テストガイド法を用いてデータセット検証を行う。
論文参考訳（メタデータ） (2020-10-12T16:16:27Z)

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。