論文の概要: TimeWak: Temporal Chained-Hashing Watermark for Time Series Data

• arxiv url: http://arxiv.org/abs/2506.06407v2
• Date: Tue, 10 Jun 2025 11:59:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-11 12:52:34.288867
• Title: TimeWak: Temporal Chained-Hashing Watermark for Time Series Data
• Title（参考訳）: TimeWak: 時系列データのためのテンポラルチェイン型ハッシュ・ウォーターマーク
• Authors: Zhi Wen Soi, Chaoyi Zhu, Fouad Abiad, Aditya Shankar, Jeroen M. Galjaard, Huijuan Wang, Lydia Y. Chen,
• Abstract要約: TimeWakは時系列拡散モデルのための最初の透かしアルゴリズムである。 TimeWakは、時間的連鎖したハッシュの透かしを、実際の時間的特徴空間に直接埋め込む。 我々は,TimeWakが合成データ品質,透かし検出性,堅牢性に与える影響を,様々な後処理攻撃下で評価した。
• 参考スコア（独自算出の注目度）: 4.556818220261711
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Synthetic time series generated by diffusion models enable sharing privacy-sensitive datasets, such as patients' functional MRI records. Key criteria for synthetic data include high data utility and traceability to verify the data source. Recent watermarking methods embed in homogeneous latent spaces, but state-of-the-art time series generators operate in real space, making latent-based watermarking incompatible. This creates the challenge of watermarking directly in real space while handling feature heterogeneity and temporal dependencies. We propose TimeWak, the first watermarking algorithm for multivariate time series diffusion models. To handle temporal dependence and spatial heterogeneity, TimeWak embeds a temporal chained-hashing watermark directly within the real temporal-feature space. The other unique feature is the $\epsilon$-exact inversion, which addresses the non-uniform reconstruction error distribution across features from inverting the diffusion process to detect watermarks. We derive the error bound of inverting multivariate time series and further maintain high watermark detectability. We extensively evaluate TimeWak on its impact on synthetic data quality, watermark detectability, and robustness under various post-editing attacks, against 5 datasets and baselines of different temporal lengths. Our results show that TimeWak achieves improvements of 61.96% in context-FID score, and 8.44% in correlational scores against the state-of-the-art baseline, while remaining consistently detectable.
• Abstract（参考訳）: 拡散モデルによって生成された合成時系列は、患者の機能的MRI記録のようなプライバシーに敏感なデータセットを共有することができる。 合成データの主な基準は、データソースを検証するための高データユーティリティとトレーサビリティである。 最近の透かし法は均一な潜水空間に埋め込まれているが、最先端の時系列生成装置は実空間で作動し、潜水型透かしとは相容れない。 これにより、特徴の不均一性と時間的依存関係を処理しながら、実際の空間で直接透かしを行うという課題が生まれる。 多変量時系列拡散モデルのための最初の透かしアルゴリズムであるTimeWakを提案する。 時間的依存と空間的不均一性を扱うため、TimeWakは時間的連鎖したハッシュの透かしを実際の時間的特徴空間に直接埋め込む。 もう1つのユニークな特徴は$\epsilon$-exactインバージョンである。これは、拡散プロセスの反転から透かしの検出まで、機能間の不均一な再構成エラー分布に対処する。 逆多変量時系列の誤差境界を導出し,高い透かし検出性を更に維持する。 我々は,TimeWakが合成データ品質,透かし検出性,堅牢性に与える影響を,時間長の異なる5つのデータセットとベースラインに対して広範囲に評価した。 その結果,TimeWakはコンテキストFIDスコアの61.96%,最新技術ベースラインに対する相関スコアの8.44%を継続的に検出できることがわかった。

関連論文リスト

• Detection Limits and Statistical Separability of Tree Ring Watermarks in Rectified Flow-based Text-to-Image Generation Models [0.0]
  ツリーリング透かしはAI生成画像の認証において重要な技術である。 SD 2.1 と FLUX.1-dev モデルによる透かしの検出と分離性の評価と比較を行った。
  論文  参考訳（メタデータ） (2025-04-04T18:24:23Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• Proving membership in LLM pretraining data via data watermarks [20.57538940552033]
  この研究は、ブラックボックスモデルアクセスのみで原則付き検出を可能にするために、データ透かしを使うことを提案する。 ランダムなシーケンスを挿入する2つの透かしと、Unicodeに似た文字をランダムに置換する2つの透かしについて検討する。 BLOOM-176Bのトレーニングデータから,少なくとも90回はハッシュを確実に検出できることを示す。
  論文  参考訳（メタデータ） (2024-02-16T18:49:27Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• A Resilient and Accessible Distribution-Preserving Watermark for Large Language Models [65.40460716619772]
  本研究は,textbfDistribution-textbf Preserving (DiP)ウォーターマークの重要性に焦点をあてる。 現在の戦略とは対照的に,提案したDiPmarkは透かし中に元のトークン分布を同時に保存する。 言語モデルAPIにアクセスせずに検出可能で(アクセス可能)、トークンの適度な変更に対して確実に堅牢である。
  論文  参考訳（メタデータ） (2023-10-11T17:57:35Z)
• An Unforgeable Publicly Verifiable Watermark for Large Language Models [84.2805275589553]
  現在の透かし検出アルゴリズムは、透かし生成プロセスで使用される秘密鍵を必要としており、公開検出中にセキュリティ違反や偽造の影響を受ける。 両段階で同じキーを使用するのではなく、2つの異なるニューラルネットワークを用いて透かしの生成と検出を行う。
  論文  参考訳（メタデータ） (2023-07-30T13:43:27Z)
• AnomalyBERT: Self-Supervised Transformer for Time Series Anomaly Detection using Data Degradation Scheme [0.7216399430290167]
  時系列、特にラベルなしデータに対する異常検出タスクは、難しい問題である。 自己教師型モデルトレーニングに適切なデータ劣化スキームを適用することで、この問題に対処する。 自己認識機構に触発されて、時間的文脈を認識するトランスフォーマーベースのアーキテクチャを設計する。
  論文  参考訳（メタデータ） (2023-05-08T05:42:24Z)
• DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and Temporal Relatedness [78.98998551326812]
  従来の手法では、データの時系列ダイナミクスと、異なるセンサーの特徴の関連性の両方をめったに利用していない、と我々は主張する。 我々はDynImpと呼ばれるモデルを提案し、特徴軸に沿って近接する隣人と異なる時間点の欠如を扱う。 本手法は, 関連センサのマルチモーダル性特性を活かし, 履歴時系列のダイナミックスから学習し, 極端に欠落した状態でデータを再構築することができることを示す。
  論文  参考訳（メタデータ） (2022-09-26T21:59:14Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。