論文の概要: Riemannian-Geometric Fingerprints of Generative Models

• arxiv url: http://arxiv.org/abs/2506.22802v1
• Date: Sat, 28 Jun 2025 08:08:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-01 21:27:53.575785
• Title: Riemannian-Geometric Fingerprints of Generative Models
• Title（参考訳）: 生成モデルのリーマン幾何学的フィンガープリント
• Authors: Hae Jin Song, Laurent Itti,
• Abstract要約: 生成モデル(GM)のアーティファクトと指紋の新しい定義を提案する。 我々はこの理論を、実際に指紋を計算するための新しい勾配に基づくアルゴリズムに適用する。 結果は,2つの異なる解像度で4つの異なるデータセットにまたがって,GMの大規模な配列を識別する方が効果的であることを示している。
• 参考スコア（独自算出の注目度）: 10.71490502829995
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent breakthroughs and rapid integration of generative models (GMs) have sparked interest in the problem of model attribution and their fingerprints. For instance, service providers need reliable methods of authenticating their models to protect their IP, while users and law enforcement seek to verify the source of generated content for accountability and trust. In addition, a growing threat of model collapse is arising, as more model-generated data are being fed back into sources (e.g., YouTube) that are often harvested for training ("regurgitative training"), heightening the need to differentiate synthetic from human data. Yet, a gap still exists in understanding generative models' fingerprints, we believe, stemming from the lack of a formal framework that can define, represent, and analyze the fingerprints in a principled way. To address this gap, we take a geometric approach and propose a new definition of artifact and fingerprint of GMs using Riemannian geometry, which allows us to leverage the rich theory of differential geometry. Our new definition generalizes previous work (Song et al., 2024) to non-Euclidean manifolds by learning Riemannian metrics from data and replacing the Euclidean distances and nearest-neighbor search with geodesic distances and kNN-based Riemannian center of mass. We apply our theory to a new gradient-based algorithm for computing the fingerprints in practice. Results show that it is more effective in distinguishing a large array of GMs, spanning across 4 different datasets in 2 different resolutions (64 by 64, 256 by 256), 27 model architectures, and 2 modalities (Vision, Vision-Language). Using our proposed definition significantly improves the performance on model attribution, as well as a generalization to unseen datasets, model types, and modalities, suggesting its practical efficacy.
• Abstract（参考訳）: 近年のブレークスルーと生成モデル(GM)の迅速な統合は、モデル属性とその指紋の問題への関心を喚起している。 例えば、サービスプロバイダは、IPを保護するためにモデルを認証する信頼性の高い方法を必要としている一方、ユーザと法執行機関は、生成したコンテンツのソースを説明責任と信頼のために検証しようとしている。 さらに、モデル崩壊の脅威が増大し、より多くのモデル生成データがトレーニングのためにしばしば収穫されるソース(例えばYouTube)にフィードバックされ、人工的なデータと人間のデータとを区別する必要性が高まっている。 しかし、生成モデルの指紋の理解にはまだギャップが残っており、それは、指紋を原則的に定義、表現、分析できる形式的な枠組みが欠如していることに起因している、と私たちは考えています。 このギャップに対処するために、幾何学的アプローチを採用し、リーマン幾何学を用いてGMのアーティファクトと指紋の新しい定義を提案し、微分幾何学のリッチな理論を活用できる。 我々の新しい定義は、データからリーマン距離を学習し、ユークリッド距離と最近傍探索を測地線距離とkNNに基づくリーマン質量中心で置き換えることで、以前の研究(Song et al , 2024)を非ユークリッド多様体へ一般化する。 我々はこの理論を、実際に指紋を計算するための新しい勾配に基づくアルゴリズムに適用する。 結果は,4つの異なるデータセットにまたがる2つの解像度(64×64,256×256),27のモデルアーキテクチャ,2つのモダリティ(Vision, Vision-Language)にまたがるGMの大規模な配列の識別が,より効果的であることを示している。 提案した定義を用いることで,モデル属性の性能が大幅に向上し,未知のデータセット,モデルタイプ,モダリティへの一般化が実現された。

関連論文リスト

• Constrained Auto-Regressive Decoding Constrains Generative Retrieval [71.71161220261655]
  ジェネレーティブ検索は、従来の検索インデックスデータ構造を1つの大規模ニューラルネットワークに置き換えようとしている。 本稿では,制約とビームサーチという2つの本質的な視点から,制約付き自己回帰生成の固有の制約について検討する。
  論文  参考訳（メタデータ） (2025-04-14T06:54:49Z)
• Exploring Training and Inference Scaling Laws in Generative Retrieval [50.82554729023865]
  生成検索は、検索を自己回帰生成タスクとして再構成し、大きな言語モデルがクエリから直接ターゲット文書を生成する。 生成的検索におけるトレーニングと推論のスケーリング法則を体系的に検討し,モデルのサイズ,トレーニングデータスケール,推論時間計算が協調的に性能に与える影響について検討した。
  論文  参考訳（メタデータ） (2025-03-24T17:59:03Z)
• (Deep) Generative Geodesics [57.635187092922976]
  2つのデータポイント間の類似性を評価するために,新しい測定基準を導入する。 我々の計量は、生成距離と生成測地学の概念的定義に繋がる。 彼らの近似は、穏やかな条件下で真の値に収束することが証明されている。
  論文  参考訳（メタデータ） (2024-07-15T21:14:02Z)
• Securing Graph Neural Networks in MLaaS: A Comprehensive Realization of Query-based Integrity Verification [68.86863899919358]
  我々は機械学習におけるGNNモデルをモデル中心の攻撃から保護するための画期的なアプローチを導入する。 提案手法は,GNNの完全性に対する包括的検証スキーマを含み,トランスダクティブとインダクティブGNNの両方を考慮している。 本稿では,革新的なノード指紋生成アルゴリズムを組み込んだクエリベースの検証手法を提案する。
  論文  参考訳（メタデータ） (2023-12-13T03:17:05Z)
• Attributing Image Generative Models using Latent Fingerprints [33.037718660732544]
  生成モデルにより、自然から取られたものと区別できないコンテンツの作成が可能になった。 リスク軽減戦略の1つは、指紋認証による生成モデルの属性付けである。 本稿では,指紋としての潜在意味論の活用について検討する。
  論文  参考訳（メタデータ） (2023-04-17T00:13:10Z)
• Learning Robust Representations Of Generative Models Using Set-Based Artificial Fingerprints [14.191129493685212]
  既存の手法はサンプル分布を通してモデル間の距離を近似する。 我々は、生成モデルの表現として、ユニークな痕跡(いわゆる「人工指紋」)を考える。 セットエンコーディングとコントラスト学習に基づく新しい学習手法を提案する。
  論文  参考訳（メタデータ） (2022-06-04T23:20:07Z)
• Diversity vs. Recognizability: Human-like generalization in one-shot generative models [5.964436882344729]
  サンプル認識可能性と多様性の2つの軸に沿った1ショット生成モデルを評価するための新しい枠組みを提案する。 まず、GANのようなモデルとVAEのようなモデルが多様性認識性空間の反対側にあることを示す。 対照的に、非絡み合いは、認識可能性の最大化に使用できるパラボラ曲線に沿ってモデルを輸送する。
  論文  参考訳（メタデータ） (2022-05-20T13:17:08Z)
• Reverse Engineering of Generative Models: Inferring Model Hyperparameters from Generated Images [36.08924910193875]
  State-of-the-art (SOTA) Generative Models (GM)は、人間が本物の写真と区別するのが難しい写真リアルな画像を合成することができる。 これらのモデルにより生成された画像からモデルハイパーパラメータを推論するために,GMのリバースエンジニアリングを提案する。 指紋推定はディープフェイク検出と画像属性に有効であることを示す。
  論文  参考訳（メタデータ） (2021-06-15T04:19:26Z)
• GELATO: Geometrically Enriched Latent Model for Offline Reinforcement Learning [54.291331971813364]
  オフライン強化学習アプローチは、近近法と不確実性認識法に分けられる。 本研究では,この2つを潜在変動モデルに組み合わせることのメリットを実証する。 提案したメトリクスは、分布サンプルのアウトの品質と、データ内のサンプルの不一致の両方を測定します。
  論文  参考訳（メタデータ） (2021-02-22T19:42:40Z)
• Mix Dimension in Poincar\'{e} Geometry for 3D Skeleton-based Action Recognition [57.98278794950759]
  グラフ畳み込みネットワーク(GCN)はすでに、不規則なデータをモデル化する強力な能力を実証している。 本稿では,ポアンカー幾何学を用いて定義した空間時空間GCNアーキテクチャを提案する。 提案手法を,現在最大規模の2つの3次元データセット上で評価する。
  論文  参考訳（メタデータ） (2020-07-30T18:23:18Z)

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。